KR100880717B1 - Method and apparatus for detecting charged state of secondary battery based on neural network calculation - Google Patents

Method and apparatus for detecting charged state of secondary battery based on neural network calculation Download PDF

Info

Publication number
KR100880717B1
KR100880717B1 KR20060014362A KR20060014362A KR100880717B1 KR 100880717 B1 KR100880717 B1 KR 100880717B1 KR 20060014362 A KR20060014362 A KR 20060014362A KR 20060014362 A KR20060014362 A KR 20060014362A KR 100880717 B1 KR100880717 B1 KR 100880717B1
Authority
KR
Grant status
Grant
Patent type
Prior art keywords
battery
voltage
neural network
state
current
Prior art date
Application number
KR20060014362A
Other languages
Korean (ko)
Other versions
KR20060091269A (en )
Inventor
다카하루 고자와
요시후미 모리타
나오키 미즈노
사토루 미즈노
쇼지 사카이
아츠시 이치카와
아츠시 하시카와
Original Assignee
가부시키가이샤 닛폰 소켄
가부시키가이샤 덴소
국립대학법인 나고야공업대학
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Grant date

Links

Images

Classifications

    • GPHYSICS
    • G01MEASURING; TESTING
    • G01RMEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36Apparatus for testing electrical condition of accumulators or electric batteries, e.g. capacity or charge condition
    • G01R31/3606Monitoring, i.e. measuring or determining some variables continuously or repeatedly over time, e.g. current, voltage, temperature, state-of-charge [SoC] or state-of-health [SoH]
    • G01R31/3624Monitoring, i.e. measuring or determining some variables continuously or repeatedly over time, e.g. current, voltage, temperature, state-of-charge [SoC] or state-of-health [SoH] based on combined voltage and current measurement
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01RMEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36Apparatus for testing electrical condition of accumulators or electric batteries, e.g. capacity or charge condition
    • G01R31/3644Various constructional arrangements
    • G01R31/3648Various constructional arrangements comprising digital calculation means, e.g. for performing an algorithm
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01RMEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36Apparatus for testing electrical condition of accumulators or electric batteries, e.g. capacity or charge condition
    • G01R31/3644Various constructional arrangements
    • G01R31/3648Various constructional arrangements comprising digital calculation means, e.g. for performing an algorithm
    • G01R31/3651Software aspects, e.g. battery modeling, using look-up tables, neural networks

Abstract

본 발명의 뉴럴네트워크방식 검출장치는 배터리시스템에 구비되는 2차전지(2차배터리)의 내부상태를 검출하도록 제공된다. Neural network approach detecting device according to the present invention is provided for detecting internal state of a secondary battery (secondary battery) included in the battery system. 상기 뉴럴네트워크방식 검출장치는 검출유닛, 생성유닛 및 연산유닛을 포함한다. The neural network approach detection device comprises a detecting unit, producing unit and the operating unit. 상기 검출유닛은 배터리의 동작상태를 나타내는 전기신호를 검출한다. The detecting unit detects electric signals indicating an operating state of the battery. 상기 생성유닛은 전기신호를 이용하여, 배터리의 내부상태를 추정하는데 필요한 입력파라미터를 생성한다. The generating unit with an electrical signal, and generates an input parameter required for estimating the internal state of the battery. 상기 입력파라미터는 배터리의 성능저하상태 및 배터리방식에서의 차이 중 적어도 하나에 따라 배터리의 현재충전상태의 캘리브레이션을 반영한다. The input parameter reflecting calibration of a present charged state of the battery according to at least one of the difference in the degraded state of the battery and battery system. 상기 연산유닛은 입력파라미터를 뉴럴네트워크연산에 적용하여 배터리의 충전상태를 나타내는 출력파라미터를 연산한다. It said computing unit by applying the input parameter to neural network calculation to compute the output parameter indicating the charged state of the battery.
뉴럴네트워크, 2차전지, 충전상태검출, 입력파라미터, 출력파라미터, 개로전압, 내부저항 The neural network, a secondary battery, the charging state detection, input parameters, output parameters, the open-circuit voltage, internal resistance

Description

뉴럴네트워크연산에 기초한 2차전지의 충전상태를 검출하기 위한 방법 및 장치{METHOD AND APPARATUS FOR DETECTING CHARGED STATE OF SECONDARY BATTERY BASED ON NEURAL NETWORK CALCULATION} A method and apparatus for detecting charged state of a secondary battery based on neural network calculation {METHOD AND APPARATUS FOR DETECTING CHARGED STATE OF SECONDARY BATTERY BASED ON NEURAL NETWORK CALCULATION}

도1은 본 발명에 따른 제1실시예에 의하여 채용되는 차량용 배터리시스템의 회로를 나타낸 블록도. Figure 1 is a block diagram showing a circuit of a vehicle battery system adopted by a first embodiment according to the present invention.

도2는 완전 충전된 배터리로부터 소정 전력량의 방전에 응답하여 검출된 차량용 배터리의 개로전압을 연산하는 방법을 나타낸 플로우차트. Figure 2 is a full showing a method of calculating the open-circuit voltage of the vehicle battery detected in response to discharge of a predetermined amount of power flow from the charged battery chart.

도3은 배터리의 완전충전상태를 결정하기 위하여 이용되는 범위를 나타내는 2차원 맵. Figure 3 is a two-dimensional map showing a range used for determining the full charge condition of the battery.

도4는 완전 충전된 배터리로부터 소정 전력량의 방전에 응답하여 검출된 개로전압을 연산하기 위하여 이용되는 근사식을 추정하는 방법을 나타낸 2차원 맵. 4 is a full two-dimensional map showing how to estimate an approximate expression used to compute the open-circuit voltage detected in response to a discharge of a predetermined amount of power from the charged battery.

도5는 뉴럴네트워크 연산장치의 기능구성을 설명하기 위한 기능블록도. Figure 5 is a functional block diagram for explaining a functional configuration of the neural network calculator.

도6은 뉴럴네트워크 연산장치에 의하여 실행되는 과정을 나타낸 플로우차트. Figure 6 is a flow chart showing the processing executed by the neural network calculator.

도7은 종래기술에 대응하는 기술에 따라 개로전압이 사용되지 않을 때 연산되는 SOC(충전상태)에 대한 테스트 결과를 나타낸 그래프. Figure 7 shows the test results for SOC (state of charge) is calculated when it is not the open-circuit voltage is used in accordance with the description corresponding to a prior art graph.

도8은 제1실시예에 따라 개로전압의 이용으로 연산되는 SOC에 대한 테스트결 과를 나타낸 그래프. Figure 8 is a graph showing the test results for the SOC to be calculated by use of the open-circuit voltage according to the first embodiment.

도9는 개로전압의 이용 및 이용되지 않는 두 경우 간의 비교형태에서 여러 성능저하 배터리의 SOC검출에서의 정확도를 설명하는 테이블. 9 is a table explaining the accuracy of the SOC detected in the various battery performance degradation in the form of comparison between a case with two voltages that are used and may not be used for.

도10은 본 발명에 따른 제2실시예에 의하여 채용되는 차량용 배터리시스템의 회로를 나타낸 블록도. 10 is a block diagram showing a circuit of a vehicle battery system adopted by a second embodiment according to the present invention.

도11은 캘리브레이션 데이터로서 기능하는 제1 및 제2개로전압에서의 차이를 검출하는 방법을 설명하는 플로우차트. Figure 11 is a flowchart illustrating a method of detecting a difference in the first and second open-circuit voltage, which functions as calibration data the chart.

도12는 제2실시예에서 테스트 될 새로운 배터리와 성능저하 배터리 각각의 방전용량 및 개로전압 간의 관계를 나타낸 그래프. 12 is a graph showing a relationship between the fresh battery and degraded battery each discharge capacity and the open-circuit voltage to be tested in the second embodiment.

도13은 제2실시예에서 캘리브레이션 데이터로 되는 제1 및 제2개로전압 간의 차이를 이용하여 SOC 검출에 대한 테스트 결과를 나타낸 그래프. 13 is a graph showing test results for SOC detection using the difference between the first and second open-circuit voltage to the calibration data in the second embodiment.

도14는 종래기술에 대응하는 구성에 따라 제1 및 제2개로전압 간의 차이를 이용하지 않고 SOC검출에 대한 테스트 결과를 나타낸 그래프. Figure 14 is showing the test results for the first and the SOC detected without using a difference between the two voltages in accordance with the configuration corresponding to the prior art graph.

도15는 본 발명에 따른 제3실시예에 의하여 채용되는 차량용 배터리시스템의 회로를 나타낸 블록도. Figure 15 is a block diagram showing a circuit of a vehicle battery system adopted by a third embodiment according to the present invention.

도16은 캘리브레이션 데이터로서 기능하는 배터리의 내부저항을 검출하는 방법을 설명하는 플로우차트. Figure 16 is a flowchart illustrating a method for detecting the internal resistance of the battery, which functions as calibration data the chart.

도17은 배터리의 내부저항을 연산하기 위한 선형근사식을 결정하기 위하여 이용되는 2차원 맵. Figure 17 is a two-dimensional map which is used to determine the DI seonhyeonggeun for computing the internal resistance of the battery.

도18은 테스트를 위하여 사용된 각 배터리의 내부저항과 방전용량 간의 관계 를 설명하기 위한 그래프. 18 is a graph for explaining the relationship between the internal resistance and the discharge capacity of each battery for testing.

도19는 종래기술에 대응하는 구성에 따라 배터리의 내부저항을 이용하지 않고 SOH검출에 대한 테스트 결과를 나타낸 그래프. Figure 19 is showing the test results for SOH detection without using the internal resistance of the battery based on the configuration corresponding to the prior art graph.

도20은 제3실시예에 따라 배터리의 내부저항을 이용하여 SOH검출에 대한 테스트 결과를 나타낸 그래프. 20 is a graph showing test results for SOH detection with the internal resistance of the battery according to the third embodiment.

도21은 종래기슬에 대응하는 구성에 따라 캘리브레이션 데이터를 이용하지 않고 SOC 검출에 대한 비교테스트 결과를 나타낸 그래프. Figure 21 shows the comparative test results for SOC detection without the use of calibration data based on the configuration corresponding to the conventional skills graph.

도22는 변형예에서 이루어지는 것으로 캘리브레이션 데이터를 이용하지 않고 SOC검출에 대한 비교테스트 결과를 나타낸 그래프. 22 is a graph showing the comparison test results for SOC detection without using the calibration data to be formed in the modified example.

도23은 종래기슬에 대응하는 구성에 따라 캘리브레이션 데이터를 이용하지 않고 SOC검출에 대한 비교테스트 결과를 나타낸 그래프. Figure 23 is showing the comparison test results for SOC detection without the use of calibration data based on the configuration corresponding to the conventional skills graph.

도24는 다른 변형예에서 이루어지는 것으로 캘리브레이션 데이터를 이용하지 않고 SOC검출에 대한 테스트 결과를 나타낸 그래프. 24 is a graph showing test results for SOC detection without using the calibration data to be made in another modification.

도25는 본 발명에 따른 제4실시예에 의하여 채용되는 차량용 배터리시스템의 회로를 나타낸 블록도. Figure 25 is a block diagram showing a circuit of a vehicle battery system adopted by a fourth embodiment according to the present invention.

도26은 차량이 주행하는 동안 완전충전되는 배터리로부터 소정 전력량의 방전에 응답하여 검출되는 차량용 배터리의 개로전압과 내부저항을 연산하는 방법을 나타낸 플로우차트. 26 is a flowchart illustrating a method for computing the internal resistance and open-circuit voltage of the vehicle battery is detected to complete a response from the charged battery to a discharge of a predetermined amount of power while the vehicle is running.

도27은 장치에 설치된 뉴럴네트워크 연산장치의 기능구성을 나타낸 블록도. 27 is a block diagram showing a functional structure of a neural network calculator installed in the apparatus.

도28은 뉴럴네트워크 연산장치의 제1뉴럴네트워크블록의 기능구성을 설명하 는 기능상의 블록도. 28 is a functional block diagram of the first to describe the functional configuration of the neural network block diagram of a neural network calculator.

도29는 뉴럴네트워크 연산장치의 제2뉴럴네트워크블록의 기능구성을 설명하는 기능상의 블록도. 29 is a functional block diagram of illustrating the functional configuration of a second neural network block of the neural network calculator.

도30은 제4실시예에 의하여 제공되는 구성에 기초하여 연산되는 SOC에 대한 테스트 결과를 나타낸 그래프. 30 is a graph showing the test results for the SOC is calculated based on the configuration provided by the fourth embodiment.

도31은 제4실시예에 의하여 제공되는 구성에 기초하여 연산되는 SOH(건전상태)에 대한 테스트 결과를 나타낸 그래프. 31 is a graph showing test results for SOH (healthy state) is calculated based on the configuration provided by the fourth embodiment.

도32는 배터리의 성능저하 정도를 분류하기 위하여 이용되는 참조맵을 나타낸 도면. 32 is a diagram showing a reference map used to classify the degree of capacity of the battery decreases.

도33은 제4실시예에 따른 뉴럴네트워크 연산장치의 변형예의 기능구성을 설명하는 기능상의 블록도. Figure 33 is a functional block diagram of illustrating a modification of the functional configuration of a neural network calculator according to the fourth embodiment.

도34는 제4실시예에 따른 다른 변형예의 구성과 비교를 위하여 실행되는 뉴럴네트워크 연산장치의 종래형태에서 캘리브레이션 데이터를 이용하지 않고 실행되는 SOC에 대한 테스크 결과를 나타낸 그래프. 34 is a fourth exemplary graph showing the results for the task SOC executed without using calibration data in a conventional form of the neural network calculator executed for comparison with another modification of the configuration according to the example.

도35는 제4실시예의 또 다른 변형예에 따라 캘리브레이션 데이터를 이용하여 실행되는 SOC에 대한 테스트 결과를 나타내는 그래프. 35 is a graph showing the test results for the SOC is carried out by using the calibration data in accordance with a fourth embodiment of another modified example.

도36은 본 발명에 따른 제5실시예에 의하여 채용되는 차량용 배터리시스템의 회로를 나타낸 블록도. 36 is a block diagram showing a circuit of a vehicle battery system adopted by a fifth embodiment according to the present invention.

도37은 완전충전된 배터리로부터 소정 전력량에 응답하여 차량용 배터리의 개로전압과 내부저항을 연산하는 방법을 나타낸 플로우차트. 37 is a fully charged battery from the response to a predetermined amount of power a flowchart showing a method of computing the internal resistance and open-circuit voltage of the vehicle battery.

도38은 제5실시예에 따른 차량용 배터리시스템에서 뉴럴네트워크 연산장치의 기능구성을 설명하는 기능상의 블록도. Figure 38 is a functional block diagram of illustrating the functional configuration of a neural network calculator in the on-vehicle battery system according to a fifth embodiment.

도39는 제5실시예와 종래기술에 기초한 구성 간의 비교방법에서, 성능저하 정도가 다른 사용된 여러 테스트 될 배터리의 완전충전상태를 검출함에 있어서 예상되는 오차를 나타낸 그래프. 39 is a graph showing the error in the expected detecting the fully charged state of the fifth embodiment and in the comparison between the configuration method based on the prior art, the battery is about to be degraded several other tests that are used.

도40은 본 발명에 따른 제6실시예에 의하여 채용되는 차량용 배터리시스템의 회로를 나타낸 블록도. Figure 40 is a block diagram showing a circuit of a vehicle battery system adopted by a sixth embodiment according to the present invention.

도41은 완전충전 배터리 각각으로부터의 소정 전력량의 방전에 응답하여 검출되는 개로전압과 복수개의 결합계수 메모리테이블 간의 대응관계를 나타낸 도면. 41 is a view showing the correspondence between the fully charged battery is a predetermined open-circuit voltage detected in response to discharge of energy and a plurality of coupling-coefficient memory table from each.

도42는 제6실시예에 따른 차량용 배터리시스템에서 뉴럴네트워크 연산장치의 기능구성을 설명하는 기능상의 블록도. Figure 42 is a functional block diagram of illustrating the functional configuration of a neural network calculator in the on-vehicle battery system according to a sixth embodiment.

도43은 출력파라미터로서 복수의 결합계수 메모리테이블을 이용하여 SOC를 연산하는 방법을 나타낸 플로우차트. 43 is a flow showing a method for calculating the SOC by using a plurality of coupling-coefficient memory table chart as an output parameter.

도44 내지 46은 각각 제6실시예에 의하여 제공되는 구성에 기초하여 이루어진 테스트 결과를 나타낸 그래프. 44 to 46 is a graph showing the test results was made based on the configuration provided by the sixth embodiment.

도47 내지 49는 각각 종래기술에 대응하는 구성에 기초하여 이루어진 비교테스트 결과를 나타낸 그래프. 47 to 49 are graphs showing the comparison tests made based on a configuration corresponding to the prior art, respectively.

도50은 본 발명에 따른 제7실시예에 의하여 채용되는 차량용 배터리시스템의 회로를 나타낸 블록도. Figure 50 is a block diagram showing a circuit of a vehicle battery system adopted by a seventh embodiment according to the present invention.

도51은 배터리의 개로전압과 내부저항을 연산하도록 이용되는 근사식을 추정 하는 방법을 나타낸 2차원 맵. 51 is a two-dimensional map showing how to estimate an approximate expression used to calculate the open-circuit voltage and the internal resistance of the battery.

도52는 뉴럴네트워크연산에 대한 입력파라미터와 배터리의 SOC를 연산하는 처리방법을 나타낸 플로우차트. 52 is a flowchart illustrating a method for calculating the SOC of the input parameter and the battery for the neural network calculation.

도53은 제7실시예에서의 뉴럴네트워크의 기능구성을 설명하는 기능상의 블록도. Figure 53 is a functional block diagram of illustrating the functional configuration of a neural network in the seventh embodiment.

도54는 뉴럴네트워크 연산장치의 학습에 대하여 이용될 사용된 여러 배터리의 용량을 설명하는 테이블. 54 is a table for explaining the capacity of a number of batteries used to be used for the learning of the neural network calculator.

도55 내지 도57은 각각 제7실시예에 의하여 제공되는 구성에 기초하여 이루어진 테스트 결과를 나타낸 그래프. Figure 55 to Figure 57 is a graph showing the test results was made based on the configuration provided by the seventh embodiment.

도58 내지 도60은 각각 종래기슬에 대응하는 구성에 기초하여 이루어진 비교 테스트 결과를 나타낸 그래프. Figure 58 to 60 is a graph showing the comparison tests made based on a configuration corresponding to the conventional skills, respectively.

도61은 제7실시예의 변형예에 따른 테스트 결과를 나타낸 그래프. 61 is a graph showing the test results according to a modification example of the seventh embodiment.

도62는 제7실시예의 다른 변형예에 따른 테스트 결과를 나타낸 그래프. 62 is a graph showing the test results according to another modification example of the seventh embodiment.

도63 내지 도65는 각각 제7실시예의 다른 변형예에 따라 이루어진 테스트 결과를 나타낸 그래프. Figure 63 to 65 is a graph showing the test results made in accordance with the further modified example, each of the seventh embodiment.

도69는 본 발명의 제8실시예에 의하여 채용되는 차량용 배터리시스템의 회로를 나타낸 블록도. 69 is a block diagram showing a circuit of a vehicle battery system adopted by an eighth embodiment of the present invention.

도70은 배터리의 물리량을 나타내는 입력파라미터로서 제공되는 비율을 연산하는 방법의 개요를 나타낸 플로우차트. 70 is a flow chart showing the outline of a method of calculating the ratio that is provided as an input parameter indicative of the physical quantity of the battery.

도71은 완전충전된 배터리로부터 소정의 전력량이 방전되는 상태를 결정하기 위한 서브루틴의 개요를 나타낸 플로우차트. 71 is a full flow showing the schema of a subroutine for determining a state in which a predetermined amount of power discharged from the charged battery chart.

도72는 제8실시예에서의 뉴럴네트워크 연산장치의 기능구성을 설명하는 기능상의 블록도. Figure 72 is a functional block diagram of illustrating the functional configuration of a neural network calculator in the eighth embodiment.

도73은 비교 테스트용으로 이용되는 배터리의 완전충전용량을 설명하는 그래프. 73 is a graph illustrating a full charge capacity of a battery to be used for a comparison test.

도74는 각 배터리의 개로전압과 SOC 간의 관계를 나타낸 그래프. 74 is a graph showing the relationship between the open-circuit voltage and the SOC of each battery.

도75는 각 배터리의 내부저항과 SOC 간의 관계를 나타낸 그래프. 75 is a graph showing the relationship between the internal resistance and the SOC of each battery.

도76은 각 배터리의 최대방전전력과 SOC 간의 관계를 나타낸 그래프. 76 is a graph showing the relationship between the maximum discharge electric power and the SOC of each battery.

도77 내지 도79는 각각 종래기술에 대응하는 구성에 기초하여 이루어진 비교 테스크 결과를 나타낸 그래프. Figure 77 to 79 is a graph showing the comparison results made in the task based on the composition corresponding to the prior art, respectively.

도80은 각 배터리의 개로전압비율와 SOC 간의 관계를 나타낸 그래프. 80 is a graph showing the relationship between the open-circuit voltage biyulwa SOC of each battery.

도81은 각 배터리의 내부저항비율과 SOC 간의 관계를 나타낸 그래프. 81 is a graph showing the relationship between the internal resistance ratio and the SOC of each battery.

도82는 각 배터리의 최대방전전력비율과 SOC 간의 관계를 나타낸 그래프. 82 is a graph showing the relationship between a maximum discharge power ratio and the SOC of each battery.

도83 내지 도85는 각각 제8실시예에 따른 구성에 기초하여 이루어진 테스트 결과를 나타낸 그래프. Figure 83 to 85 is a graph showing the test results was made based on the configuration according to each of the eighth embodiment.

도86은 제8실시예의 변형예에 따라 이루어진 그래프로서, 배터리의 개로전압과 SOC의 현재값 간의 관계를 나타낸 그래프. 86 is a graph of the eighth embodiment made in accordance with the modified example, a graph showing the relationship between the open-circuit voltage of the battery and the current value of the SOC.

도87은 제8실시예의 변형예에 따라 이루어진 그래프로서, 보정된 배터리의 개로전압과 SOC의 보정을 나타낸 그래프. 87 is a graph of the eighth embodiment made in accordance with the modified example, a graph showing the correction of the open-circuit voltage and the SOC of the battery corrected.

도88 내지 도90은 각각 종래기술에 대응하는 구성에 기초하여 이루어진 비교 테스트 결과를 나타낸 그래프. Figure 88 to 90 is a graph showing the comparison tests made based on a configuration corresponding to the prior art, respectively.

도91 내지 도93은 각각 제8실시예의 변형예에 의하여 제공되는 구성에 기초하여 이루어진 테스트 결과를 나타낸 그래프. Figure 91 to 93 is a graph showing the test results was made based on the configuration provided by the modification of each of the eighth embodiment.

도94는 전압과 전류의 신호 및 배터리의 개로전압과 내부저항 모두의 데이터 연산 습득을 설명하는 타이밍차트. 94 is a timing chart for explaining the operation data acquisition on both the internal and the open-circuit voltage of the battery and the signal of a voltage and current resistance.

도95는 새로운 배터리와 사용된(성능저하된) 배터리 모두의 충전상태 및 SOH, SOC와 완전충전용량의 정의를 나타낸 도면. 95 is a view showing the definition of a new battery and a used state of charge of both (the performance) battery and the SOH, SOC and full charge capacity.

*도면의 주요부분에 대한 부호의 설명* * Description of the Related Art *

1: 차량용 배터리 2: 차량용 발전기 1: vehicle battery 2: vehicle generator

3: 전기장치 4: 전류센서 3: Electrical device 4: Current sensor

5: 배터리상태 검출장치 6: 발전기 제어유닛 5: battery state detecting unit 6: a generator control unit

7: 뉴럴네트워크 연산장치 8: 버퍼 7: the neural network calculator 8: Buffer

9: 보정신호발생장치 201: 입력층 9: correction signal generating unit 201: input layer

202: 중간층 203: 출력층 202: intermediate layer 203: output layer

본 발명은 2차전지의 충전상태를 검출하기 위한 뉴럴네트워크(neural network)방식을 갖는 배터리시스템에 관한 것으로, 보다 상세하게는 예를 들면 차량에 장착되는 이와 같은 배터리의 충전상태의 검출을 향상시키기 위한 뉴럴네트워크방식의 배터리시스템에 관한 것이다. The present invention is to improve that, more particularly for detecting the charged state of such a battery, which is example mounted on a vehicle according to the battery system with a neural network (neural network) method for detecting a charged state of a secondary battery for relates to a battery system of a neural network approach.

차량장착 배터리시스템은 대부분 납전지와 같은 2차전지(2차배터리)로 구성된다. Vehicle mounted battery system is composed of a secondary battery (secondary battery) such as most lead battery. 2차전지에서 성능저하 정도는 전압과 전류 등의 배터리의 전기량과 SOC(충전상태)와 SOH(건전상태) 등의 배터리의 충전상태량 간의 보정에 변동을 준다. Secondary performance of the battery is approximately gives the variation in state amount of the charge compensation between the battery and the quantity of electricity, such as SOC (state of charge) and SOH (healthy state) of the battery, such as voltage and current. 상기 SOC는 배터리의 충전율(%)을 나타내고, 상기 SOH는 배터리의 잔존용량(Ah)을 나타낸다. The SOC indicates the charging rate (%) of the battery, the SOH indicates a residual capacity of the battery (Ah). 그러므로 배터리의 성능저하가 진행됨에 따라, SOC 및/또는 SOH를 검출하는데 있어서 정확도가 저하될 수 있어 SOC 및/또는 SOH는 배터리마다 달라진다. Therefore, according to detecting the SOC and / or SOH as the deterioration of the battery progresses, there may be an accuracy deterioration SOC and / or SOH will vary for each battery. 이러한 문제점은 대량 생산되는 각 2차전지의 SOC 및/또는 SOH의 정확한 검출을 어렵게 한다. This problem makes it difficult accurate detection of the SOC and / or SOH of each of secondary batteries that are mass-produced. 따라서 이러한 변동을 안정적으로 방지하기 위하여, 이러한 변동을 각 2차전지의 이용가능한 충전 및 방전범위를 고려하고, 그 결과 상기 범위가 좁아지도록 한다. Therefore, in order to reliably prevent these fluctuations, these fluctuations taken into account the available charge and discharge range of each second battery, and so narrow that the range of results.

예를 들면 일본 특개평9-243716호 공보 및 일본특허공개 제2003-249271호 공보와 같은 몇몇 공지의 문헌은 이와 같은 문제를 개선하기 위한 기술을 제안하고 있다. For example, some of the known, such as Japanese Unexamined Patent Publication No. 9-243716 and JP-A No. 2003-249271 discloses the literature has proposed a technique for improving this problem. 즉 이들 문헌은 뉴럴네트워크(소위 "배터리상태의 뉴럴네트워크방식 검출"이라 불림)을 이용하여 2차전지의 SOC 및/또는 SOH를 어떻게 검출하는지에 대하여 제안하고 있다. In other words these documents proposes that with respect to the neural network using the (so-called referred to as "neural network approach of the battery state detection") how detecting the SOC and / or SOH of a secondary battery.

예를 들면 일본 특개평9-243716호 공보는 학습된 뉴럴네트워크가 잔존용량을 연산하도록 적어도 개로전압, 방전직 후 검출전압 및 내부저항을 포함하는 입력파 라미터가 이용되는 배터리 잔존용량 검출기술을 제안하고 있다. For example, the Japanese Unexamined Patent Publication No. 9-243716 is that at least the open-circuit voltage, room former type that after a detection voltage and an internal resistance parameter is the learned neural network to calculate the residual battery capacity using the remaining capacity detection technique It has been proposed. 또한 일본특허공개 제2003-249271호 공보는 배터리의 성능저하를 나타내는 정보를 연산하도록 제1학습 뉴럴네트워크에 배터리의 전압, 전류와 내부저항 및 온도 데이터가 입력되고, 배터리의 잔존용량을 연산하도록 제2학습 뉴럴네트워크에 상기 정보 및 배터리의 전압, 전류 및 내부저항의 데이터가 입력되는 배터리 잔존용량 검출기술을 제안하고 있다. In addition, Japanese Patent Laid-Open No. 2003-249271 discloses a battery is the first learning neural network to calculate information indicative of degradation of the battery voltage, current and internal resistance and temperature data is input, to calculate the remaining capacity of the battery 2 proposes the information and the battery voltage, current and internal resistance of the battery remaining capacity detection technique in which data is input to the neural network learning.

상기 뉴럴네트워크는 측정될 대상물의 특성 변동에 대처하는 적응성을 구비하기 때문에, 전술한 바와 같이 배터리상태의 검출에 상기 뉴럴네트워크가 이용되었다. Since the neural network is provided with adaptability to cope with the variation in characteristics of the object to be measured, which the neural network was used for detection of the battery condition, as described above.

그러나 종래의 뉴럴네트워크방식 검출장치를 사용하여 SOC 및/또는 SOH가 검출되는 경우라도, 배터리에서의 성능저하로 인하여 측정정확도에서의 변동 및 변화는 충분히 방지될 수 없다. However, when using the conventional neural network approach detection device which SOC and / or SOH are detected any, variation and change in measurement accuracy due to deterioration of the battery can not be sufficiently prevented. 따라서 SOC 및/또는 SOH에 대한 정확한 검출은 충분히 실용적인 수준이라고 말하기에는 어려움이 있다. Therefore, accurate detection of the SOC and / or SOH has a sufficiently practical level, that is to say the difficulty. 즉 새로운 배터리 및 사용된(오래된, 성능저하된) 배터리는 뉴럴네트워크로 입력될 전류와 전압 이력(history) 데이터와 뉴럴네트워크로부터의 출력파라미터인 SOC, SOH 간의 보정에 차이를 발생한다. That is, a difference occurs in the new battery, and the (old, degraded) batteries using a current to be input to the neural network and the voltage history (history) data, and the correction between the output parameter of SOC, SOH from the neural network. 이러한 어려 보정차이의 존재는 뉴럴네트워크를 이용하여 연산이 이루어지는 경우라도 측정 정확도에서의 변동 및 변화를 흡수하기에는 어려움이 있다. The presence of hard correction difference, even if made of the operation by using the neural network there are difficult to absorb the fluctuations and changes in the measurement accuracy.

또한 전술한 문제점을 개선하기 위한 기술이 공지되어 있다. There is also a known technique for improving the above-mentioned problems. 구체적으로 최소제곱접을 이용하여 배터리의 개로전압 및 내부저항의 현재값을 입력파라미터에 부가한다. It is specifically added to the current value of the least-square voltage and the internal resistance of the battery open-circuit by folding the input parameters. 그러므로 이들 현재값과, 전압 및 전류 이력데이터가 입력파라미터로서 뉴럴네트워크에 주어진다. Thus, these current value and voltage and current history data is given to the neural network as the input parameters. 이들 부가 데이터 즉 배터러의 동작상태를 반영하는 현재값은 배터리의 성능저하에 의한 영향을 덜 받고 정확도에서 향상되는 SOC 및/또는 SOH와 같은 출력파라미터를 검출할 수 있다. These additional data, that is the current value that reflects the operating state of the multiple battery may detect the output parameter such as SOC and / or SOH to be enhanced in getting less affected by the degradation of the battery accuracy.

그러나 이러한 물리량의 현재값이 입력파라미터의 일부 요소로서 고려되는 경우라도, 배터리의 실질적인 성능저하 진행은 실질적으로 요구되는 높은 수준의 SOC 및/또는 SOH의 검출을 얻거나 유지하는데 어려움이 있다. But even if the factors considered as part of the current value input parameters of these quantities, it is difficult to substantial degradation of the battery proceeds substantially to obtain or maintain the detection of high levels of SOC and / or SOH as required.

한편 거의 모든 각 배터리의 동작을 커버하는 다수의 상태량은 뉴럴네트워크 연산장치로 공급될 수 있다. The number of state quantities covering almost all operations of each battery may be fed to the neural network calculator. 이 경우 검출 정확도의 증대를 기대할 수 있다. In this case, it can be expected to increase the detection accuracy. 그러나 이러한 구성은 연산장치의 회로사이즈가 커지고, 연산부하가 증대되며, 전력이 많이 소비되는 문제점이 있다. However, this configuration increases the circuit size of the computing device, the computing load is increased, there is a problem that power is consumed much.

따라서 상기의 제반 문제점을 해결하기 위하여 제안된 것으로, 본 발명은 각배터리의 충전 및 방전특성에서의 차이, 예를 들면 일시적 성능저하의 정도(순환 성능저하) 및/또는 배터리 방식의 차이에 관계없이 높은 정확도로 출력파라미터를 제공할 수 있는 뉴럴네트워크연산을 기초한 2차전지의 충전상태 검출을 위한 방법 및 장치를 제공하는데 그 첫번째 목적이 있다. Therefore, as proposed in order to solve the various problems of the present invention is the difference in charge and discharge characteristics of the battery, for example, regardless of the difference in the degree (cycle performance) and / or the battery system of the temporary deterioration to provide a method and apparatus for detecting charged state of a secondary battery based on a neural network calculation, which may provide an output parameter with a high accuracy that there is a first object.

또한 본 발명은 단독으로 또는 상기 첫번째 목적과 조합되어 적은 입력파라미터로 출력파라미터를 제공할 수 있는 뉴럴네트워크에 기초하여 2차전지의 충전상태를 검출하고, 배터리의 충전상태를 나타내는 검출정보의 정확도를 높게 유지하기 위한 장치를 제공하는데 두번째 목적이 있다. In another aspect, the present invention is the accuracy of the detected information, alone or indicating the charged state of the in combination with the first object on the basis of the neural network to provide an output parameter with less input parameters, detecting a charged state of a secondary battery, and a battery to provide a device for holding the second object is high.

상기 본 발명의 첫번째 목적을 달성하기 위하여 본 발명의 기본 관점으로, 배터리시스템에 구비되는 2차전지(2차배터리)의 내부상태를 검출하기 위한 뉴럴네트워크방식의 장치로서, 상기 배터리의 동작상태를 나타내는 전기신호를 검출하기 위한 검출수단; A primary aspect of the present invention in order to attain the first object of the present invention, there is provided a device of the neural network method for detecting internal state of a secondary battery (secondary battery) included in the battery system, an operating state of the battery detecting means for detecting an electrical signal representative; 상기 전기신호를 이용하여, 상기 배터리의 내부상태를 추정하는데 필요하며 상기 배터리의 현재충전상태의 캘리브레이션을 반영하는 입력파라미터를 생성하기 위한 생성수단; Using the electrical signals, necessary for estimating the internal state of the battery and generating means for generating an input parameter reflecting calibration of a present charged state of the battery; 및 상기 입력파라미터를 뉴럴네트워크연산에 적용하여 상기 배터리의 충전상태를 나타내는 출력파라미터를 연산하기 위한 연산수단을 포함하는 뉴럴네트워크방식 검출장치를 제공한다. And provides a neural network approach detection device comprises an operation means for calculating the output parameter indicating the charged state of the battery by applying the input parameter to neural network calculation.

본 발명의 제1 내지 제3관점으로서, 상기 전기신호는 소정기간 동안 실시간으로 얻어진 배터리의 전압 및 전류이고, 상기 입력파라미터는 상기 배터리의 동작상태를 나타내는 제1입력파라미터와 상기 배터리의 성능저하상태를 나타내는 제2입력파라미터로 이루어지며, 상기 생성수단은 상기 배터리의 전압과 전류 데이터에 기초하여 상기 제1입력파라미터를 연산하기 위한 제1연산수단, 및 배터리의 소정 충전상태(예를 들면 완전충전된 배터리로부터 소정 전력량이 방전되는 상태)에 응답하여 상기 제2입력파라미터를 연산하기 위한 제2연산수단을 포함하는 것이 바람직하다. As the first to third aspect of the invention, the electric signal is a voltage and current of the battery obtained in real time during a predetermined period, wherein the input parameter is decreased performance of the first input parameter and the battery showing an operating state of the battery condition to be made to the second input parameter indicating the generating means includes first calculating means, and the desired state of charge of the battery (for example, a full charge for calculating the first input parameter on the basis of the voltage and current data of the battery from a battery is preferably in response to the state in which a predetermined amount of power is discharged), a second calculating means for calculating the second input parameter.

본 발명의 제1 및 제2관점으로서, 상기 출력파라미터 연산수단은 뉴럴네트워 크연산방법에 기초하여 제1 및 제2입력파라미터 모두를 처리함으로써 상기 배터리의 현재충전상태를 나타내는 상기 출력파라미터를 연산하기 위한 수단인 것이 보다 바람직하다. First and second as a point of view, wherein the output parameter calculating means of the present invention by processing both the first and second input parameters based on a neural network calculation method for calculating the output parameter indicating the present charged state of the battery for more preferable that the means.

새로운 배터리가 한 번 사용될 경우, 상기 배터리는 더 이상 새로운 배터리가 아니며, 배터리의 성능저하 정도(순환 성능저하)가 변화되고, 노화된 사용 배터리(즉 성능에서의 성능저하)가 된다. When a new battery is used at a time, the battery is no longer new batteries, and a change degree of degradation of the battery (cycle performance degradation), and the mature battery (that is degraded in the performance). 물론 각 배터리의 성능저하 정도는 배터리방식에 따라 좌우된다. Of course, the degree of degradation of each battery depends on the battery system. 즉 사용된 모든 배터리의 현재충전상태는 배터리마다 다르다. That is the current state of charge of all batteries used are different for each battery. 따라서 이러한 충전상태의 차이는 모두 "현재의 충전상태"로 반영된다. Thus, these differences in charge are all reflected in the "current charge".

그러므로 앞의 기능적 구성은 뉴럴네트워크 캘리브레이션에 대한 입력파라미터에 배터리의 현재충전상태의 캘리브레이션 데이터를 포함하는 기술을 적용하며, 상기 캘리브레이션은 전술한 바와 같이 사용된 배터리의 충전/방전에서의 성능저하 정도를 반영한다. Thus, the functional configuration of the front shall apply techniques including the calibration data for the current state of charge of the battery to the input parameters for neural network calibration, the calibration is a performance degradation degree of the charge / discharge of the battery, as described above It reflects. 이러한 캘리브레이션 데이터를 입력파라미터로 포함하는 것은 예를 들면 전압 및 전류 이력 데이터가 입력파라미터로서 단순히 이용되는 경우보다 보다 정확하게 출력파라미터를 연산(추정)할 수 있다. The inclusion of this calibration data as the input parameter may be for example voltage and current history data is simply used calculated (estimated) more accurately than in a case where the output parameters as input parameters. 이러한 연산을 일정간격으로 반복함으로써, 사용된 배터리의 충전상태는 사용된 배터리의 충전/방전의 일시적인 성능저하를 자동으로 추적하여 높은 정확도로 체크할 수 있다. By repeating these operations at regular intervals, the state of charge of the battery may be automatically tracked with high accuracy by checking the temporary degradation of the charge / discharge of the battery.

이러한 캘리브레이션 데이터로서, 예를 들면 사용된 배터리의 성능저하로 인하여 출력파라미터(SOC 등)에서의 변화로 보정을 나타내는 충전관련 물리량을 이용하는 것이 바람직하다. As such calibration data, such as that due to the performance degradation of the battery using such a charge-related physical quantity showing a correction to the change in the output parameter (SOC, etc.) it is preferred. 예를 들면 이러한 충전관련 물리량은 배터리의 소정 충전상태에 응답하여 검출되는 개로전압이다. For example, such a charge-related physical quantity is an open-circuit voltage detected in response to a predetermined state of charge of the battery. 이러한 종류의 충전관련 물리량은 본 실시 예의 제1관점에서의 제2입력파라미터로서 참조되며, 상기 제2입력파라미터는 뉴럴네트워크연산을 실행하는 뉴럴네트워크 연산장치에 제공되는 입력파라미터를 형성하도록 제1입력파라미터와 조합된다. This kind of charge-related physical quantity is referred to as the second input parameter in of the first aspect of this embodiment, the second input parameter is the first input to form the input parameters provided to the neural network calculator to run the neural network calculator It is combined with the parameters.

또한 본 발명에 채용될 수 있는 충전관련 물리량은 배터리의 완전충전 및 배터리의 완전충전으로부터 소정 전력량의 방전에 응답하여 얻어진 개로전압 간의 차이를 포함한다. In addition, charge-related physical quantity that can be employed in the present invention include the difference between the open-circuit voltage obtained in response to a discharge of a predetermined amount of power from the full charge and full charge of the battery. 또한 이러한 물리량으로서, 전술한 전압차 및 완전충전 배터리로부터 소정 전력량의 방전에 응답하여 얻어진 개로전압의 조합이 이용될 수 있다. In addition, as such a physical quantity, a combination of voltages can be obtained using open-circuit in response to a discharge of a predetermined amount of power from the aforementioned voltage difference and a fully charged battery. 또한 완전충전 배터리로부터 소정 전력량의 방전에 응답하여 얻어진 배터리의 내부저항은 이러한 충전관련 물리량으로서 이용될 수 있다. In addition, the internal resistance of a battery obtained in response to a discharge of a predetermined amount of power from a fully charged battery can be used as such a charge-related physical quantity. 이와 같이 다양한 물리량은 배터리의 SOC와 SOH의 변화로 보정되어, 성능저하 및/또는 배터리방식의 차이에 따라 각 배터리의 충전/방전에서의 변화의 보정에 대한 캘리브레이션 데이터로서 이용될 수 있다. Thus, various physical quantities can be used as calibration data for correction of changes in the charge / discharge of each battery according to the difference of the correction to a change in the SOC and SOH of the battery, deterioration and / or battery system.

본 발명의 제3관점으로서, 상기 제1입력파라미터 연산수단은 제공받은 상기 배터리의 전압과 전류의 데이터에 기초하여 상기 제1입력파라미터로서 전압 이력 데이터 및 전류 이력 데이터를 연산하도록 구성되고, 상기 제2입력파라미터 연산수단은, 상기 배터리의 소정 충전상태에 응답하여 상기 전압 이력 데이터 및 전류 이력 데이터 모두를 이용하여 상기 제2입력파라미터로서 상기배터리의 개로전압과 내부저항을 연산하도록 구성되며, 상기 출력파라미터 연산수단은 상기 배터리의 현재 예상되는 완전충전용량을 나타내는 상기 출력파라미터를 연산하기 위한 수단이다. As a third aspect of the invention, the first input parameter calculating means is configured to calculate the voltage history data and current history data as the first input parameter on the basis of the data of voltage and current of the batteries that are provided, wherein second input parameter calculating means is responsive to a predetermined charged state of the battery the voltage history data and current history using both data as the second input parameter is configured to calculate the voltage and the internal resistance of open-circuit of the battery, the output parameter calculating means is a means for calculating the output parameter indicating a full charge capacity of the battery current estimated.

이와 같이 완전충전된 배터리로부터 소정 전력량의 방전에 응답하여 검출되 는 배터리의 개로전압과 내부저항만을 입력파라미터에 부가함으로써, 뉴럴네트워크연산에 대한 정확도는 크게 향상될 수 있고, 입력파라미터가 증가하는 것을 방지할 수 있다. Thus completely by adding a predetermined discharge response is being detected battery to the electric power from the charged battery open-circuit only voltage and the internal resistance on the input parameters, the accuracy of the neural network calculation can be significantly improved, that the input parameters increase It can be prevented. 따라서 뉴럴네트워크를 갖거나 갖지 않는 종래 연산장치에 비하여 뉴럴네트워크 연산장치의 사이즈는 작게 유지될 수 있고, 사용된 배터리의 완전충전용량은 정확하게 연산될 수 있다. Therefore it may be as small as the size of the neural network calculator maintained as compared to the conventional computing device with or without a neural network, a full charge capacity of a used battery can be calculated accurately. 연산을 위한 시간은 실제의 사용에 필요한 기간으로 유지될 수 있다. Time for the operation can be maintained for a period necessary for actual use. 그 결과 과충전 및 과방전을 유의하지 않고, 이용을 위한 용량범위는 확대될 수 있다. As a result, without significant overcharge and over-discharge, it is possible to expand the capacity range for use. 종래기술에 비하여, 배터리는 보다 소형화로 이루어질 수 있고, 배터리에 대한 필요한 방전용량범위를 커버하기에는 충분하다. Over the prior art, the battery may be made of a more compact, it is sufficient to cover the necessary discharge capacity range for the battery. 이는 단지 차량에 배터리를 탑재하기 위하여 차지하는 공간을 작게 할 뿐만 아니라, 챠량 본체 무게를 감소시킨다. This results in only a reduction, chyaryang body weight, as well as to reduce the occupied space to mount the battery on the vehicle. 그 결과 본 발명의 제2목적을 달성할 수 있다. As a result, it is possible to achieve the second object of the present invention.

본 발명의 제4관점에 따르면, 상기 전기신호는 소정기간 실시간으로 얻어진 상기 배터리의 전압 및 전류이고, 상기 연산수단은 상기 입력파라미터를 제공받는 입력층, 상기 입력파라미터와 기록가능한 결합계수 모두를 이용하여 뉴럴네트워크연산을 실행하는 중간층, 및 상기 출력파라미터를 추정하고 배터리의 충전상태를 나타내는 상기 출력파라미터가 출력되도록 하기 위한 출력층을 구비한 뉴럴네트워크를 포함하고, 상기 생성수단은 테이블마다 서로 다른 메모리테이블에 상기 결합계수가 각각 저장되고, 상기 입력파라미터에서 지정되며 상기 배터리의 성능저하상태로 보정을 갖는 지정된 입력파라미터 특징의 분할범위에서 좌우되는 복수의 메모리테이블을 갖는 메모리; According to a fourth aspect of the present invention, the electric signal is a voltage and current of the battery obtained in the predetermined period of time in real time, wherein the calculation means is used for both the input parameter as a writable coefficient input layer receives the input parameters, estimates comprises a neural network having an output layer for such that the output parameter indicating the charged state of the battery output, and wherein the generating means for each different table memory table, the intermediate layer, and the output parameter to execute the neural network calculator to the coupling coefficient and the storage respectively, the memory having a plurality of memory tables which are specified by the input parameters from the divided left and right range of the input parameter having the characteristic correction in the degraded state of the battery; 및 상기 지정된 입력파라미터의 현재값에 응답하여 상기 저장된 결합계수를 읽어들이도록 상기 복수의 메모리테이블로부터의 메모리테이블 을 선택하기 위한 선택수단을 포함하며, 상기 결합계수는 상기 입력층, 중간층 및 출력층을 상호 연결하고, 상기 지정된 결합계수는 상기 뉴럴네트워크연산에 부여된다. And wherein in response to the current value of the input parameter, and to load the stored coefficient comprises selecting means for selecting a memory table from the plurality of memory tables, the coupling factor is the input layer, intermediate layer and output layer interconnects, and the specified coefficient is given to the neural network calculation. 일 예로 상기 입력파라미터는 상기 배터리의 저압 및 전류에서 추정되는 상기 배터리의 전압 이력 데이터, 전류 이력 데이터, 및 개로전압을 포함하며, 상기 지정된 입력파라미터는 상기 배터리가 완전충전상태일 때 얻어지는 배터리의 개로전압이다. In one embodiment the input parameters include voltage history data, current history data of the battery, and the open-circuit voltage estimated at a low pressure and a current of the battery, wherein the input parameter is open-circuit of the battery obtained when the battery is fully charged state, a voltage.

전술한 복수개의 메모리테이블의 선택적인 이용은 뉴럴네트워크연산에 대한 결합계수가 현재 획득한 입력파라미터로 높은 보정을 갖도록 선택될 수 있어, 배터리의 충전상태의 연산 정확도는 증대된다. A selective use of a plurality of memory tables described above is can be selected to have a high coupling factor correction to the entered parameters are obtained for the current neural network calculation, the calculation accuracy of the state of charge of the battery is increased. 이러한 정확한 연산은 연산에 대한 메모리용량이 약간 증대되도록 하는 것을 조건으로 하여 구현될 수 있고, 이에 따라 연산에 대한 회로의 사이즈가 증가하는 것을 방지한다. The exact operation and the memory capacity of the operation can be implemented on condition that such slight increase, and prevents the size of the circuit for the operation increases accordingly. 메모리테이블을 선택적으로 읽는 것은 메모리에서의 결합계수의 어드레스만을 변화시키기 때문에 연산에 대한 처리시간은 거의 증가하지 않는다. The selectively reading the memory tables, the processing time for calculation, because it changes only the addresses of the coupling coefficients in the memory does not substantially increase. 즉 연산 지연은 발생하지 않는다. That is calculated delay does not occur. 그러므로 메모리용량이 조금 증가함에 따라 배터리의 충전상태는 높은 정확도로 검출될 수 있다. Therefore, the state of charge of the battery as the memory capacity is slightly increased can be detected with high accuracy.

본 발명의 제5관점에 따르면, 상기 생성수단은 상기 배터리의 성능저하상태 및 배터리의 방식차이 중 하나 이상에 기인하여 상기 배터리의 충전 및 방전특성에 따라 좌우되어 캘리블이션된 입력파라미터를 생성하도록 구성된다. According to a fifth aspect of the invention, the generating means to produce the input parameter is influenced CA block Orientation according to the charge and discharge characteristics of the battery due to one or more of the methods difference in a degraded state, and the battery of said battery It is configured. 상기 입력파라미터는, 입력변수로서 상기 개로전압(Vo) 및 내부저항(R)을 이용하고 현재방전가능한 배터리의 전류량에 대한 보정을 나타내는 소정함수f(Vo, R), 및 상기 배터리의 전류(I)를 이용하는, 상기 배터리의 전압(V) 또는 상기 배터리의 전압(V)과 상기 배터리가 완전충전상태일 때 검출되는 배터리의 전압(Vf)의 비율(V/Vf) 중 하나, 상기 배터리의 개로전압(Vo) 또는 상기 배터리의 개로전압과 상기 배터리가 완전충전상태일 때 검출되는 배터리의 개로전압(Vo)의 비율(Vo/Vof) 중 하나, 상기 배터리의 내부저항(R) 또는 상기 배터리의 내부저항(R)과 상기 배터리가 완전충전상태일 때 검출되는 배터리의 내부저항(Rf)의 비율(R/Rf) 중 하나를 포함하는 것이 바람직하다. The input parameter is a predetermined function f (Vo, R), and the current (I of the battery as input variables represents the correction to the current amount of use of the open-circuit voltage (Vo) and the internal resistance (R) and that are currently discharging battery ) for use, one of the ratio (V / Vf) of the voltage (Vf) of the battery is detected when the voltage (V) and voltage (V) and the battery is fully charged state of the battery of the battery, the open-circuit of the battery voltage (Vo) or one of the ratio (Vo / Vof) of the voltage (Vo) pieces of the battery detected when the open-circuit voltage of the battery and the battery is fully charged, the internal resistance of the battery (R) or of said battery it comprises one of the internal resistance (R) and the ratio of the internal resistance (Rf) of the battery detected when the battery is fully charged state (R / Rf) are preferred.

이러한 관점에서는 연산을 위한 샘플링된 많은 쌍의 전압 및 전류 데이터가 필요로 되지 않고, 그 결과 회로 사이즈의 증가는 방지될 수 있으며, 또한 뉴럴네트워크연산 정확도는 확보된다. In view of this, without the voltage and current data of the sampled number of pairs is not required for operation, and as a result increase of the circuit size can be prevented, and also the neural network calculation accuracy is obtained. 보다 구체적으로, 상기 입력파라미터는 각 배터리의 성능저하 및 잔존용량에 독립되게 보정된 변수 Vo 및 R을 갖는 함수값f(Vo, R)을 각각 포함한다. More specifically, the input parameters include the function value having a stand to be corrected variables Vo and R in the performance degradation and remaining capacity of each battery f (Vo, R), respectively. 다시 말해서, 개로전압(Vo)과 내부저항(R)을 단독으로 이용하는 것이 비하여, 방전가능 전력량을 나타내는 함수값f(Vo, R)은 각 배터리의 성능저하 및 충전상태를 갖는 높은 보정을 갖는다. In other words, the open-circuit voltage (Vo) and the internal resistance (R) for comparison to use alone, or a function value that represents the dischargeable power f (Vo, R) has a high correction has a poor performance, and the state of charge of each battery. 그러므로 그의 잔존용량에서의 배터리의 성능저하의 영향은 전술한 작용효과를 이룰 수 있다. Therefore, the performance impact of the degradation of the battery in its remaining amount can be achieved for the above-described operational effects.

본 발명의 제6관점에 따르면, 상기 입력파라미터는 상기 배터리의 현재충전상태를 반영하는 복수의 물리상태량으로 구성되며, 상기 복수의 물리상태량은 그 물리상태량 중에서 지정되는 물리상태량의 현재값과 배터리의 소정충전상태에 응답(예들 들면 완전충전된 배터리로부터 소정 전력량의 방전에 응답)하여 얻어진 지정된 물리상태량값 간의 비율을 포함한다. According to a sixth aspect of the invention, the input parameter is composed of a current a plurality of physical state quantities reflecting the charged state of the battery, the physical state quantity of the plurality of current value and the battery of a physical state quantity specified among the physical state quantity response (eg. in response to the full discharge of a predetermined amount of power from the charged battery) to a predetermined charge state includes the ratio between the specified physical state quantity values ​​obtained.

앞의 제5관점에 의하여 제공되는 다양한 작용효과는 이 제5관점의 구성에서도 유지되며, 따라서 서로 다른 성능저하상태, 사용된 이력 및/또는 초기용량을 갖는 다양한 배터리의 검출에 효과적이다. Various functions and effects provided by the front of a fifth aspect is held in the configuration of the fifth aspect, and therefore is effective for detecting each of the different battery having a different performance state, the history and / or initial capacity.

본 발명의 추가적인 목적들, 특징들 및 장점들은 다음의 상세한 설명 및 첨부도면으로부터 보다 명료하게 이해될 수 있다. Further objects, features and advantages of the invention may be more clearly understood from the following detailed description and accompanying drawings.

첨부도면을 참조하여 본 발명에 따른 차량용 배터리시스템의 바람직한 여러 실시예를 설명한다. It will now be described a number of preferred embodiment of the vehicle battery system according to the present invention with reference to the accompanying drawings.

다음 실시예들은 제8실시예까지 이루어지는 것으로, 제1실시예(변형예 포함)는 도1 내지 도9 및 도94를 참조하여 설명하고, 제2실시예(변형예 포함)은 도10 내지 도14을 참조하여 설명하고, 제3실시예(변형예 포함)는 도15 내지 도24을 참조하여 설명하고, 제4실시예(변형예 포함)는 도24 내지 도35을 참조하여 설명하며, 제5실시예(변형예 포함)는 도36 내지 도39를 참조하여 설명한다. The following embodiments of the eighth embodiment to be made to the example, the first embodiment (variations include for example) is performed 1 to 9 and 2 to FIG. 94 and description, and the examples (including the modified example) is a through 10 refer to 14 to describe and, in the third embodiment with reference to reference to Figures 15 to Figure 24 (variant comprises example) and descriptions, and the fourth embodiment (variations include for example) is 24 to 35 degrees to describe and claim 5 embodiment (including modifications) will be described with reference to Figs. 36 to 39. 또한, 제6실시예(변형예 포함)는 도40 내지 도49와 참조하여 설명하고, 제7실시예(변형예 포함)은 도50 내지 도68을 참조하여 설명하며, 도8실시예(변형예 포함)는 도69 내지 도93을 참조하여 설명한다. Further, the sixth embodiment (variations include for example) is described with reference to FIG 40 to FIG 49, and the seventh embodiment and described with reference to the FIG. 50 to FIG. 68 (variant comprises YES), the exemplary Fig. 8 (strain examples included) it will be described with reference to FIG 69 to FIG 93.

다음 실시예들의 상세한 설명에 앞서, 배터리(2차전지, 충전지)의 충전상태는 도95을 참조하여 정의된다. Prior to the detailed description of the following embodiments, the charged state of a battery (secondary battery, rechargeable battery) is defined with reference to Figure 95. 도95에 나타낸 바와 같이, "잔존용량"이라 칭한 SOH(건전상태)(Ah)는 방전가능한 배터리의 현재용량을 의미하고, "충전율"이라 칭한 SOC(충전상태)(%)는 배터리 완전충전용량에 대한 배터리 잔존용량의 비율을 의미하며, "완전충전용량Q(Ah)"은 배터리에서의 현재충전가능용량을 의미한다. As shown in Fig. 95, "remaining capacity" as called SOH (healthy state) (Ah) means a present capacity of the discharged battery, and the "filling ratio" as called SOC (state of charge) (%) of battery charge capacity means the ratio of the battery remaining capacity on, and "full charge capacity Q (Ah)" means a present charged capacity of the battery. 그러 므로 예를 들면 아직 사용되지 않은 새로운 배터리는 100%의 SOC에 대응하는 64Ah의 SOH를 갖는 것(즉, 64Ah의 완전충전용량)으로 가정한다. Since, however, for example, the new battery has not yet been used is assumed to be those having a 64Ah corresponding to a 100% SOC SOH (that is, the full charge capacity of 64Ah). 이러한 배터리에서, 25.6Ah의 SOH는 40%의 SOC에 대응한다. In this battery, the SOH 25.6Ah corresponds to the 40% SOC. 그리고 이러한 새로운 배터리가 사용되고, 그의 충전능력이 현저히 저하되어 완전충전용량이 40Ah인 것으로 가정한다. And these new batteries are used, charging that his ability is significantly decreased assumed to be the full charge capacity of 40Ah. 그러나 이러한 용량 또한 100%의 SOC에 대응한다. However, this capacitance also respond to a 100% SOC. 이 경우 40%의 SOC는 16.0Ah의 SOH를 의미한다. In this case, the 40% SOC refers to the SOH of 16.0Ah.

(제1실시예) (Example 1)

이하 도1 내지 도9를 참조하여 제1실시예에 따른 차량용 배터리시스템을 설명한다. Less than 1 through 9 will be described in the on-vehicle battery system according to the first embodiment. 이러한 차량용 배터리시스템은 뉴럴네트워크방식의 연산에 기초하며, 본 발명에 따른 배터리시스템에 대응한다. This on-vehicle battery system is based on operation of the neural network system, and corresponds to a battery system according to the present invention.

도1에 나타낸 바와 같이, 차량용 배터리시스템에는 차량용 배터리(이하 간단히 "배터리"라 함)(1) 및 차량용 발전기(2), 전기장치(3), 전류센서(4), 배터리상태 검출장치(5) 및 발전기 제어유닛(6)을 포함하는 다른 전기부품들이 제공된다. 1, the on-vehicle battery system, a vehicle battery (hereinafter referred to simply as "battery") (1) and a vehicle generator (2), the electrical device 3, the current sensor 4, a battery state detector (5 other electrical components are provided including a) and the generator control unit 6. 여기에서 도면에 나타낸 바와 같이 상기 배터리상태 검출장치(5)는 뉴럴네트워크 연산장치(7), 버퍼(8), 및 보정신호발생장치(9)를 구비하며, 디지털/아날로그 신호의 컴퓨터 구성 또는 구조 중 하나에 의하여 형성되는 일부 또는 전체로 이루어질 수 있다. The battery state detector 5, as shown in the figures herein, a computer configuration or a structure of the neural network calculator 7, and a buffer (8), and a correcting signal generator 9, digital / analog signal of it can be made of all or part of which is formed by one.

상기 차량용 발전기(2)는 배터리(1)를 충전하고 전기장치(3)에 전력을 공급하도록 차량에 탑재된다. The vehicle generator 2 is mounted on the vehicle to charge the battery 1 and power the electric device 3. The 상기 전기장치(3)는 배터리(1) 또는 발전기(2)에 의하여 전력을 공급받는 차량 전기부하로서 작용한다. The electric device 3 functions as a vehicle electrical load powered by the battery 1 or the generator (2). 상기 전류센서(4)는 배터리(1)와 전 기장치(2) 사이에 위치되어 배터리(1)로의 충전전류와 방전전류 및 배터리로부터의 충전전류와 방전전류를 검출한다. The current detector 4 detects the battery 1 and the electrical device (2) is located between the charge and discharge current from the charge current and the discharge current and the battery to the battery (1). 또한 상기 배터리상태 검출장치(5)는 배터리(1)의 내부동작(충전/방전)상태를 나타내는 신호를 검출하기 위한 전기회로이다. Further, the battery state detector 5 is an electric circuit for detecting a signal representative of the internal operation status of the battery (1) (charge / discharge). 상기 배터리(1)의 단자는 배터리상태 검출장치(5)에 연결되어 단자전압(간략히, 전압)은 배터리상태 검출장치(5)로 제공된다. Terminal of the battery 1 is connected to the battery state detector 5, the terminal voltage (briefly, voltage) is provided to the battery state detector (5).

상기 버퍼(8)는 주로 두 가지 기능을 구비하는데, 하나의 기능은 전압 이력(history)(Vi)과 전류 이력(Ii)을 나타내는 데이터로서 이들 데이터를 기억하고 출력하기 위하여 배터리의 전압(단자전압)(V) 및 전류(I) 모두의 데이터를 제공받는 것이고, 다른 하나의 기능은 개로전압(Vo)의 현재값 및/또는 배터리(1)의 내부저항(R)의 현재값을 연산하고 출력하는 것이다. The buffer 8 mainly to having two functions, one function is the voltage history (history) (Vi) to the voltage of the battery to the storage, and outputs these data as data representing the current history (Ii), (Terminal Voltage ) (V) and current (I) will receives the data of the both, and one of the feature computing the present value of the open-circuit voltage (Vo), the internal resistance (R in the current value and / or the battery (1)) of the output to. 상기 개로전압(Vo)은 부하전류가 제로로 간주되는 것을 조건으로 하여 배터리 단자에 나타나는 전압이다. The open-circuit voltage (Vo) is the voltage that appears on the battery terminals on condition that the load current is considered to be zero.

상기 뉴럴네트워크 연산장치(7)는 버퍼(8) 및 보정신호발생장치(9) 모두로부터 입력되는 여러 방식의 신호를 제공받도록 구성되며, 소정의 저장상태량을 나타내는 신호(본 실시예에서 SOC(충전상태))를 출력하도록 입력된 신호에 뉴럴네트워크연산을 적용한다. The neural network calculator 7, a buffer 8 and the correcting signal generator 9 is configured to provide a signal in a number of ways that are input from both the signal indicating the predetermined storage state quantity (SOC (charging in this embodiment and the input signal to output a state)) applied to the neural network calculation. 또한 상기 보정신호 발생장치(9)는 뉴럴네트워크 연산장치(7)에 입력데이터의 일부로서 캘리브레이션 데이터(calibration data)를 출력하기 위하여 후술하는 켈리브레이션 데이터를 연산하도록 구성된다. In addition, the correcting signal generator 9 is configured to calculate the calibration data to be described later to output the calibration data (calibration data) as part of the input data to the neural network calculator 7.

상기 발전기제어유닛(6)은 뉴럴네트워크 연산장치(7)로부터 출력되는 신호 및 미도시의 여러 다른 구성요소들로부터 제공되는 신호(S other ) 모두에 응답하여 차 량용 발전기(2)에 의하여 발생되는 전력량을 제어하도록 구비된다. The generator control unit 6 is generated by the neural network calculator 7, the signal (S other) in response to both the primary ryangyong generator (2) provided from the signal and various other components not shown outputted from It is provided to control the amount of power.

본 실시예에서, 상기 회로는 배터리상태 검출장치(5)가 보정신호 발생장치(9) 뿐만 아니라 버퍼(8)와 뉴럴네트워크 연산장치(7) 모두를 구비하는 것을 특징으로 한다. In this embodiment, the circuit is characterized by having both as the battery state detector 5, correcting signal generator 9 as the buffer 8 and the neural network calculator 7.

상기 버퍼(8), 뉴럴네트워크 연산장치(7) 및 보정신호 발생장치(9), 즉 상기 배터리상태 검출장치(5)는 예를 들면 본 실시예에서는 사전에 설치된 소프트웨어에서 동작하는 마이크로컴퓨터 시스템으로 이루어진다. The buffer 8, neural network calculator 7 and correcting signal generator 9, that is, the microcomputer system of the operation by the software is installed in advance of this embodiment, for the battery state detector 5 is Yes in achieved. 그러나 이에 항상 한정되는 것은 아니다. But it not always limited thereto. 전용 소프트웨어 회로가 배터리상태 검출장치(5)를 대신할 수 있다. A dedicated software circuit can replace the battery state detector (5).

다음으로 상기 버퍼(8)를 설명한다. Next will be described the buffer (8). 뉴럴네트워크 연산장치(7)에 대한 이전신호(pre-signal) 처리회로로서 기능하는 상기 버퍼(8)는 배터리전압 이력(Vi)과 배터리전류 이력(Ii)을 나타내는 데이터를 기억하도록 배터리(1) 전압(V)신호 및 전류센서(4)로부터의 전류(I)신호 모두를 동시에 일정 간격(예를 들면, T/5초이고, T는 25초임; 도94 참조)으로 샘플링하고, 상기 뉴럴네트워크 연산장치(7)에 대한 각 순간 시간에서 전압(V) 및 전류(I)를 나타내는 데이터를 병렬로 공급한다. Previous signal the buffer 8, which functions as a (pre-signal) processing circuit for the neural network calculator 7 is a battery (1) to store data indicative of the battery voltage history (Vi) and battery current history (Ii) voltage (V) current (I) constant both the signal at the same time interval from the signal and a current sensor (4); and sample with (for example, T / 5 seconds, and, T is 25 the supercritical see Fig. 94), the neural network data indicative of the voltage (V) and current (I) at each moment of time for the calculator 7 is supplied in parallel. 상기 뉴럴네트워크 연산장치(7)에서 연산부하의 경감 및 입력셀 개수의 제한과 같은 여러 인자를 고려하여, 상기 배터리전압 이력(Ii)과 배터리전류 이력(Ii)을 포함하는 전압(V)과 전류(I)의 샘플링 데이터는 현 순간시간을 처리하는 소정기간(예를 들면, T = 25초; 도94 참조) 내에 각 순간 시간에서 필요한 데이터로 이루어진다. In the neural network calculator 7 considering various factors such as the reduction and the input limit of the number of cells of the computational load, the battery voltage history (Ii) and battery current history (Ii), voltage (V) and current, including sampling data of (I) is a predetermined period of time to process the current moment of time; comprised of data that is required at each moment in time (for example, T = 25 cho see Fig. 94). 본 실시예에서 예를 들면 전압 이력 데이터(Vi) 및 전류 이력 데이터(Ii)는 각각 5개의 데이터(도94 참조)를 제공하도록 일정간격으로 샘플링되지만, 이에 한정되는 것 은 아니다. For example, the voltage history data in the present embodiment (Vi) and current history data (Ii), but is sampled at regular intervals to provide a five data (see Fig. 94), respectively, is not to be limited thereto.

또한 배터리전압 이력(Vi)과 배터리전류 이력(Ii)을 나타내는 데이터를 저장하는 것에 더하여, 상기 버퍼(8)는 배터리전압 이력(Vi)과 배터리전류 이력(Ii) 간의 관계를 나타내는 데이터를 생성하고, 이러한 관련 데이터를 뉴럴네트워크 연산장치(7)에 제공한다. In addition, in addition to storing the data representing the battery voltage history (Vi) and battery current history (Ii), the buffer (8) generates the data representing the relationship between the battery voltage history (Vi) and battery current history (Ii) and provides these data relating to the neural network calculator 7. 이러한 관련 데이터는 전압(V) 및 전류(I) 간의 관계를 나타내는 선형근사식(LN)을 컴퓨팅하기 위하여 전압 이력(Vi)과 전류 이력(Ii) 두 데이터가 최소제곱법에 제공되어 생성되고, 상기 근사식(LN)은 전압(V) 및 전류(I) 쌍들이 입력될 때 매 시간 y절편(개로전압(Vo)에 대응) 및/또는 기울기(내부저항(R)에 대응)를 연산하도록 적용되어, 상기 개로전압(Vo)의 현재값 및/또는 내부저항의 현재값(R)이 생성된다(도94 참조). The relevant data are two data voltage history (Vi) and current history (Ii) in order to compute the seonhyeonggeun DI (LN) indicative of a relationship between the voltage (V) and current (I) is generated and provided to the least square method, the the formula (LN) is adapted to calculate a (corresponding to the internal resistance (R)) voltage (V) and current (I) to time y-intercept (the open-circuit voltage (corresponding to Vo)) and / or tilt when pairs are input is, the current value (R) of the current value and / or the internal resistance of the open-circuit voltage (Vo) is generated (see Fig. 94). 이들 현재값은 전술한 바와 같이 전압 이력(Vi)과 전류 이력(Ii) 간의 관련 데이터로서 기능할 수 있다. These current values ​​can function as a specific data between the voltage history (Vi) and current history (Ii), as described above. 상기 선형근사식(LN)을 생성하는 방법과 상기 근사식(LN)을 기초로 현재값(Vo, R)을 연산하는 방법은 공지이기 때문에, 본 실시예에서는 이에 대한 상세한 설명은 생략한다. Since the method for calculating the current value (Vo, R) to the seonhyeonggeun DI (LN) and a method based on the approximate expression (LN) for generating it is known, and the detailed description in this embodiment will be omitted.

전술의 최소제곱법은 기억될 데이터량을 감소시키는데 유용하다. Least squares method of the above are useful in reducing the amount of data to be stored.

본 실시예에서 SOC가 연산될 경우, 상기 개로전압(Vo)의 현재값은 내부저항(R)의 현재값보다 보다 아주 크다. When the SOC calculated in the present embodiment, the current value of the open-circuit voltage (Vo) is very greater than the current value of the internal resistance (R). 그러므로 상기 내부저항(R)의 현재값은 연산에서 생략될 수 있다. Therefore, the current value of the internal resistance (R) may be omitted from the calculation. 또한 상기 개로전압(Vo) 및/또는 내부저항(R)의 현재값은 생략될 수 있다. In addition, the current value of the open-circuit voltage (Vo) and / or the internal resistance (R) may be omitted.

이하 보정신호 발생장치(9)에 대하여 설명한다. It will be described below correcting signal generator 9. 상기 보정신호 발생장치(9)는 미도시된 CPU(중앙처리장치) 및 메모리를 구비한 컴퓨터 시스템으로 형성된다. The correcting signal generator 9 is formed as a computer system having an unillustrated CPU (central processing unit) and memory. 상기 CPU는 도2에 나타낸 여러 처리단계로 구성되는 플로우차트에 의하여 제안되는 소프트웨어에서 동작하고, 메모리에 미리 기억된다. The CPU is stored in advance in the operation by the software that is offered by a flowchart composed of various processing steps, and the memory shown in Fig. 이들 처리단계의 실행을 통해, 상기 CPU 즉 상기 보정신호 발생장치(9)는 배터리(1)가 소정의 전력량에 의한 완전충전상태로부터의 전력을 방전(소정의 전력량의 방전)할 경우에 검출되는 개로전압(Vo)을 연산한다. Through the execution of these processing steps, the CPU i.e., the correcting signal generator 9 is detected when the battery 1 to the electric power from the full charge state by a predetermined amount of power discharge (discharge of a predetermined amount of power) open-circuit calculates the voltage (Vo). 그런 다음 상기 보정신호 발생장치(9)는 뉴럴네트워크연산에 대하여 이용되는 캘리브레이션 데이터로서 제공되는 결과적인 개로전압(Vo)을 뉴럴네트워크 연산장치(7)에 제공한다. Then, the correcting signal generator 9 provides the resultant open-circuit voltage (Vo) that is provided as calibration data to be used for the neural network calculation to the neural network calculator 7.

다음으로 도2에 나타낸 처리단계를 설명한다. Next will be described the processing steps shown in Fig.

엔진의 구동 개시에 응답하여 상기 보정신호 발생장치(9)는 그의 연산(단계 S1)을 시작한다. In response to the start of driving the correcting signal generator 9 of the engine begins its operations (step S1). 시작 이후, 상기 보정신호 발생장치(9)는 일정 간격으로 전압(V) 및 전류(I)를 검출하며(단계 S2), 그런 다음 검출된 전압(V) 및 전류(I)를 이용하여 배터리(1)가 후술할 완전충전상태(즉 완전충전결정)인지 여부를 결정하도록 검출된 값을 적용시킨다(단계 S3). Start Next, the battery using the correcting signal generator 9 is fixed interval to a voltage (V) and current (I) is detected (step S2), the then detected voltage (V) and current (I) to ( 1) and applies the detected value to determine whether or not the full charge state (i.e., a full charge determination) which will be described later (step S3). 이후 상기 보정신호 발생장치(9)는 전류적분값(Ah)이 소정 충전량과 동일한 소정 문턱값에 도달하였는지 여부를 결정한다(단계 S4 및 S5). Then, the correcting signal generator 9 is the current integral value (Ah) a decision whether or not to arrive at the same predetermined threshold value and a predetermined charge level (steps S4 and S5). 본 실시예에서, 상기 소정 문턱값은 초기 SOC의 100% 내지 95%의 값으로 설정된다. In the present embodiment, the predetermined threshold is set to a value of 100% to 95% of the initial SOC. 상기 전압(V) 및 전류(I)는 DC성분을 픽업(pickup)하도록 저역통과필터와 같이 노이즈 저감에 적용될 수 있다. The voltage (V) and current (I) can be applied to noise reduction such as low-pass filter to pick-up (pickup) to the DC component.

전류적분값이 소정 문턱값에 도달한 것으로 결정될 경우, 이러한 결정이 이루어질 때 달성되는 개로전압(Vo)의 값은 소정 전력량이 방전될 때 사용되는 개로전압값(Vo)으로 설정된다(단계 S6). When it is determined that the current integrated value reaches a predetermined threshold, the value of the open-circuit voltage (Vo) which is achieved when such a decision made is set to the open-circuit voltage (Vo) which is used when a predetermined amount of power discharged (step S6) . 상기 개로전압값(Vo)은 본 발명에 대응하는 것 으로 결정 전력량이 방전될 때 얻어지는 성능저하 상태량을 나타낸다. The open-circuit voltage value (Vo) shows a degraded state quantity obtained when the determined amount of power discharge corresponds to the present invention. 상기 개로전압(Vo)은 연산된 값으로 갱신된다(단계 S7). The open-circuit voltage (Vo) is updated to the calculated value (step S7). 이러한 개로전압(Vo)은 앞의 개로전압의 현재값과 같은 방식으로 연산된다. The open-circuit voltage (Vo) is calculated in the same way as the present value of the open-circuit voltage of the front.

도3을 참조하여 단계 S3에서 실행되는 완전충전상태에 대한 결정을 설명한다. Referring to Fig. 3 illustrates the determination of the full charge state is executed in step S3. 도3은 버퍼(8)에서 일정간격으로 샘플링되고 기억된 배터리(1)의 전압(V) 및 전류(I)의 데이터 쌍이 2차원적으로 맵핑(mapping)된 2차원 맵을 나타낸 것이다. Figure 3 shows a sampled at intervals of a battery (1) of the voltage (V) and data pairs mapped in two dimensions of the current (I) (mapping) the two-dimensional map stored in buffer 8. 이러한 맵에서, 완전충전상태를 결정하는데 이용하기 위하여 소정 영역이 미리 결정된다. In this map, a predetermined area is predetermined for use in determining the fully charged state. 현재 검출된 한 쌍의 전압(V)과 전류(I)를 지정한 좌표점은 그 좌표점이 도3에 나타낸 맵의 소정 영역에 존재하는지 여부에 관하여 맵을 참조하여 이루어진 경우이다. A coordinate point specified a pair of voltage (V) current detection and current (I) is, if made by referring to a map with respect to whether or not present in a predetermined area of ​​the map shown in Fig. 3 the coordinate point. 상기 좌표점이 소정 영역에 있다면, 배터리(1)는 완전충전상태인 것으로 결정한다. If the coordinate point in a predetermined area, the battery 1 is determined to be fully charged. 그러므로 이러한 조건에 만족하는 전압(V)은 완전충전상태에 응답하여 개로전압(Vo full )으로서 정의된다. Therefore, the voltage (V) satisfying these conditions is defined as the response to the fully charged state, a voltage (Vo full) open-circuit.

상기 전압(V) 및 전류(I)는 현재의 샘플링 직전 소정의 짧은 기간에 걸친 평균값인 평균전압(Va) 및 평균전류(Ia)로 대체될 수 있다. The voltage (V) and current (I) may be replaced with the average value of the average voltage (Va) and average current (Ia) over a predetermined short period of time immediately before the current sampling.

도4를 참조하여 단계 S6에서 실행되는 개로전압(Vo)값에 대한 연산을 설명한다. Referring to Figure 4 will be described the operation of the voltage (Vo) open-circuit value to be executed in step S6. 먼저 전력이 완전충전상태에서 소정량 방전되기 직전 연산된 시간의 특정기간 동안 입력된 복수의 전압(V)과 전류(I) 쌍의 데이터에 최소제곱법을 적용하여 상기 전압(V)과 전류(I) 간의 관계를 정의하는 선형근사식(LN)을 얻는다. First, electric power is fully charged state, a predetermined amount discharged is just before applying the least square method to a plurality of voltage (V) and the data of the current (I) pair of input over a period of time of the operation time, the voltage (V) and current in the ( I) to obtain a seonhyeonggeun DI (LN) that defines the relationship between. 상기 전압/전류 쌍의 개수는 소정 값으로 설정된다. The number of voltage / current pairs is set to a predetermined value. 그런 다음 상기 개로전압(Vo)은 근사식(LN) 의 y절편값으로서 연산된다. Then, the open-circuit voltage (Vo) is calculated as a y-intercept value of the approximate expression (LN). 이러한 연산값은 소정 전력량이 방전될 때 얻어지는 전술한 개로전압으로서 간주된다. This calculated value is regarded as the foregoing open-circuit voltage obtained when a predetermined amount of power discharge.

상기 선형근사식(LN)의 정확도 향상이 요구될 경우, 극성인자(polarization factor)라 하는 물리량이 전압 및 전류데이터(V, I)를 선택하도록 이용될 수 있다. If the accuracy improvement of the seonhyeonggeun DI (LN) requirements, can be used for a physical quantity called polar factor (polarization factor) to select the voltage and current data (V, I). 즉 지나간 전류를 나타내는 데이터는 배터리의 극성 상태를 나타내는 극성인자를 얻도록 이용될 수 있다. That is data indicating the past currents can be used to obtain a factor representing the polarity of the polarized state of the battery. 그러므로 극성인자가 소정 범위에 있는 전류 및 전류만이 선형근사식(LN)을 생성하도록 선택적으로 이용될 수 있다. Therefore, there is a factor only current polarity and current in a predetermined range can be selectively used to generate a seonhyeonggeun DI (LN).

최소제곱법에서 선형근사식(LN)을 생성하는 방법과 선형근사식에서 개로전압(Vo)을 연산하는 방법은 공지이므로, 여기에서는 이에 대한 상세한 설명은 생략한다. Since the method for calculating the seonhyeonggeun DI (LN) method and the linear approximation equation open-circuit voltage (Vo) for generating at least-squares method it is well known, a detailed description thereof will be omitted here.

도5를 참조하여 뉴럴네트워크 연산장치(7)를 그의 구성 및 기능면에서 상세히 설명한다. With reference to Figure 5 will be described in detail with the neural network calculator 7 in terms of their structures and functions. 예를 들면, 상기 뉴럴네트워크 연산장치(7)는 역전파방법에서 학습하는 세 개의 계층적 피드포워드(feed-forward) 방식의 연산장치로 형성된다. For example, the neural network calculator 7 is formed into a three hierarchical feed-forward (feed-forward) mode of operation apparatus for learning in back propagation method. 상기 연산장치(7)에는 이러한 방식으로 제한되는 것은 아니며, 적절히 선택되는 다른 어떠한 뉴럴네트워크방식이 채용될 수 있다. The calculator 7 is not restricted in this manner, there is no other way the neural network is appropriately selected may be employed.

상기 뉴럴네트워크 연산장치(7)는, 기능적 블록으로서 입력층(201), 중간층(202), 및 출력층(203)으로 구성된다. The neural network calculator 7 is configured as an input layer 201, intermediate layer 202, and output layer 203, as a functional block. 그러나 실질적으로 상기 연산장치(7)는 CPU와 메모리를 포함하는 마이크로컴퓨터 시스템을 구비하도록 구성되고, 상기 CPU는 그의 연산에 대하여 주어진 일정간격으로 메모리, 소프트웨어 처리로부터 읽어낸 프로그램을 실행한다. However, substantially the calculator 7 is configured to have a microcomputer system including a CPU and a memory, the CPU executes a program read from a memory, software processing by a given predetermined distance with respect to its operation.

상기 입력층(201)은 소정 개수의 입력셀로 구성된다. The input layer 201 is composed of a predetermined number of input cells. 상기 각 입력셀은 입력데이터(신호), 전압 이력 데이터(Vi), 전류 이력 데이터(Ii), 및 버퍼(8)로부터의 개로전압(Vo)과 내부저항(R)의 현재값을 제공받을 뿐만 아니라, 보정신호 발생장치(9)로부터 소정의 전력량이 방전될 때 얻어지는 개로전압(Vo)값을 제공받는다. The respective input cells not only receive the current value of the input data (signals), voltage history data (Vi), current history data (Ii), and the open-circuit from the buffer 8 voltage (Vo) and the internal resistance (R) rather, received from the correcting signal generator 9 provides the open-circuit voltage (Vo), a value obtained when the predetermined amount of power discharge. 상기 각 입력셀은 제공받은 셀을 중간층(202)에 속하는 모든 연산셀로 전달한다. Forwards the received cells the respective input cells are available in all the cells belonging to the intermediate calculation 202. The 상기 중간층(202)에서의 연산셀은 후술한 뉴럴네트워크연산을 입력층(201)의 입력셀로부터 입력되는 데이터에 적용하고, 출력층(203)의 출력셀에 결과적 연산결과를 제공한다. The calculation cells in the intermediate layer 202 provides the calculation result as a result of neural network calculation will be described later to the output cells of the input layer 201 and output layer (203) applied to the data, and inputted from the input cells. 상기 연산은 SOC를 지향하기 때문에, 상기 출력층(203)의 출력셀은 충전상태(SOC)를 나타내는 출력데이터로서 연산된다. The operation is due to direct the SOC, an output cell of the output layer (203) is calculated as output data representing the state of charge (SOC).

상기 입력층(201)의 j셀에 입력되는 데이터는 INj로 나타내고, 상기 입력층(201)의 j셀과 중간층(202)의 k셀 간의 결합계수를 Wjk를 나타내는 것으로 가정할 경우, 상기 중간층(202)의 k셀로 입력되는 신호는 다음과 같이 나타낸다. If the data input to the j cells of the input layer 201 is indicated by INj, assume that the coupling coefficient between the k cells of the j cells and the intermediate layer 202 of the input layer 201 to represent the Wjk, the intermediate layer ( 202) signal input of cell k is represented as follows:

INPUTk(t) = ∑(Wjk * INj) (j = 1 내지 2m + 3) ...(1) INPUTk (t) = Σ (Wjk * INj) (j = 1 to 2m + 3) ... (1)

또한 상기 중간층(202)의 k셀로부터 출력되는 신호는 다음과 같이 나타낸다. In addition, signals output from the k cells in the intermediate layer 202 is expressed as follows.

OUTk(t) = f(x) = f(INPUTk(t) + b) ...(2) OUTk (t) = f (x) = f (INPUTk (t) + b) ... (2)

여기에서 부호 b는 상수이다. Sign in here b is a constant.

상기 식(2)은 변수 입력으로서 INPUTk(t) + b를 이용하는 S자 함수라 불리는 비선형함수인 f(INPUTk(t) + b)를 이용함으로써 정의된다. The formula (2) is defined by using the f (INPUTk (t) + b) non-linear function called S-shaped function using the INPUTk (t) + b as an Input variable. 이러한 함수는 다음과 같이 정의된다. These functions are defined as follows.

f(INPUTk(t) + b) = 1/(1 + exp(-(INPUTk(t) + b))) ...(3) f (INPUTk (t) + b) = 1 / (1 + exp (- (INPUTk (t) + b))) ... (3)

상기 중간층(202)의 k셀과 출력층(203)의 셀 간의 결합계수가 Wk로 나타낼 경우, 상기 출력층(203)에 대한 입력신호는 상기와 유사하게 다음과 같이 나타낸다. When the coupling coefficient k between the cells of the cell and the output layer (203) of the intermediate layer 202 is expressed as Wk, an input signal for the output layer 203 similarly to the above represent the following:

INPUTo(t) = ∑Wk * OUTk(t) (k = 1 내지 Q) ...(4) INPUTo (t) = ΣWk * OUTk (t) (k = 1 to Q) ... (4)

부호 Q는 중간층(202)에서의 셀의 개수를 나타낸다. Code Q is the number of cells in the intermediate layer 202. 따라서 순간시간(t)에서의 출력층(203)으로부터의 출력신호는 다음과 같다. Therefore, the output signal from the output layer 203 at the moment of time (t) is as follows.

OUT(t) = L * INPUTo(t) ...(5) OUT (t) = L * INPUTo (t) ... (5)

여기에서 L은 선형상수이다. Where L is a linear constant.

본 실시예에 따른 뉴럴네트워크연산은 시간 t에서의 최종 출력 OUT(t)와 후술하는 미리 측정된 목표출력(즉 참값 tar(t)) 간의 오차를 최소화하기 위하여 셀 간의 결합계수가 최적화되는 학습처리를 도입한다. Neural network calculation according to this embodiment is provided with the learning process is the coupling coefficient between the cell optimization to minimize an error between a final output OUT (t) and a previously measured target output to be described later (i.e., a true value tar (t)) at time t It introduces. 상기 출력 OUT(t)는 출력층(203)으로부터 출력되는 출력파라미터, 본 실시예에서는 시간 t에서의 SOC(충전상태)이다. The output OUT (t) is the output parameter, in this embodiment, which is output from the output layer 203 is the SOC (state of charge) at time t.

다음으로 결합계수를 갱신하는 방법에 대하여 설명한다. The following explains how to update the coupling coefficient with.

상기 중간층(202)의 k셀과 출력층(203)의 각 셀 간의 결합계수(Wk)는 다음의 식에 기초하여 갱신된다. Coefficient (Wk), between each of the cells of the cell k and the output layer (203) of the intermediate layer 202 is updated based on the following formula.

Wk = Wk + ΔWk ...(6) Wk = Wk + ΔWk ... (6)

여기에서 ΔWk는 다음과 같이 정의된다. Here ΔWk is defined as follows:

ΔWk = -η * ΔWk = -η *

Figure 112006010900842-pat00001
Ek/ Ek /
Figure 112006010900842-pat00002
Wk Wk

= η * [OUT(t) - tar(t)] * [ = Η * [OUT (t) - tar (t)] * [

Figure 112006010900842-pat00003
OUT(t)/Wk] OUT (t) / Wk]

= η * [OUT(t) - tar(t)] * L * [ = Η * [OUT (t) - tar (t)] * L * [

Figure 112006010900842-pat00004
INPUTo(t)/ INPUTo (t) /
Figure 112006010900842-pat00005
Wk] Wk]

= η * L * [OUT(t) - tar(t)] * OUTk(t) ...(6) = Η * L * [OUT (t) - tar (t)] * OUTk (t) ... (6)

여기에서 η은 상수를 나타낸다. Here, η represents a constant.

상기 값 Ek는 교습데이터(teaching data)와 네트워크 출력 간의 오차를 나타내며, 다음과 같이 정의될 수 있다. The value Ek indicates an error between the teaching data (teaching data) and the network output, can be defined as follows.

Ek = [OUT(t) - tar(t)] * [OUT(t) - tar(t)]/2 ...(7) Ek = [OUT (t) - tar (t)] * [OUT (t) - tar (t)] / 2 ... (7)

또한 층간층(202)의 k셀과 입력층(201)의 j셀 간의 결합계수 Wjk를 갱신하는 방법에 대하여 설명한다. It also describes how to update the coupling coefficient Wjk between the j cells of the cell k and the input layer 201, the interlayer layer 202. 상기 결합계수 Wjk는 다음과 같은 식에서 갱신된다. The coupling coefficient Wjk is updated, and then the expression of.

Wjk = Wjk + ΔWjk ...(8) Wjk = Wjk + ΔWjk ... (8)

여기에서 ΔWjk는 다음과 같이 정의된다. Here ΔWjk is defined as follows:

ΔWjk = -η * ΔWjk = -η *

Figure 112006010900842-pat00006
Ek/ Ek /
Figure 112006010900842-pat00007
Wjk Wjk

= -η * [ = -η * [

Figure 112006010900842-pat00008
Ek/ Ek /
Figure 112006010900842-pat00009
INPUT(t)] * [ INPUT (t)] * [
Figure 112006010900842-pat00010
INPUTk(t)/ INPUTk (t) /
Figure 112006010900842-pat00011
Wjk] Wjk]

= -η * [ = -η * [

Figure 112006010900842-pat00012
Ek/ Ek /
Figure 112006010900842-pat00013
OUTPUT(t)] * [ OUTPUT (t)] * [
Figure 112006010900842-pat00014
OUTk(T)/ OUTk (T) /
Figure 112006010900842-pat00015
INPUTk(t)] * INj INPUTk (t)] * INj

= -η * [ = -η * [

Figure 112006010900842-pat00016
Ek/ Ek /
Figure 112006010900842-pat00017
OUTPUT(t)] * [ OUTPUT (t)] * [
Figure 112006010900842-pat00018
OUTk(T)/ OUTk (T) /
Figure 112006010900842-pat00019
INPUTo(t)] * INPUTo (t)] *

[ -

Figure 112006010900842-pat00020
INPUTo(t)/OUTk(T)] * f′(INPUTk(t) + b) * INj INPUTo (t) / OUTk (T)] * f '(INPUTk (t) + b) * INj

= -η * (OUT(t) - tar(t)) * L * Wk * f′(INPUTk(t) + b) * INj = -η * (OUT (t) - tar (t)) * L * Wk * f '(INPUTk (t) + b) * INj

= -η * L * Wk * INj * (OUTsoc(t) - tar(t)) * f′(INPUTk(t) + b) = -η * L * Wk * INj * (OUTsoc (t) - tar (t)) * f '(INPUTk (t) + b)

...(9) ... (9)

여기에서 f′(INPUTk(t) + b)는 이송함수의 미분계수값이다. Here, f '(INPUTk (t) + b) is a derivative value of the transfer function.

이와 같이 갱신된 새로운 결합계수 Wk 및 Wjk는 출력 OUT(t), 즉 시간 t에서의 SOC를 재 연산하도록 이용된다. Thus, the new updated coefficient Wk and Wjk are used to re-computing the SOC at the output OUT (t), i.e. time t. 이러한 갱신 및 연산과정은 오차함수 Ek가 주어진 최소값 이하가 될 때까지 반복된다. This update and calculation process of the error function Ek is repeated until it is below a given minimum value. 그러므로 오차함수 Ek가 주어진 최소값 이하가 되도록 결합계수가 갱신되는 과정은 이전의 학습처리과정이다. Thus the process of the coefficient update the error function Ek is less than or equal to a given minimum value is a previous learning process.

도6을 참조하여 이전의 학습처리과정을 나타낸 플로우차트를 설명한다. Referring to Fig. 6 illustrates a flow chart showing a prior learning process of the. 이러한 처리과정에서, 뉴럴네트워크 연산장치(7)로부터 출력되는 타깃은 배터리(1)의 상태를 나타내는 양(즉 충전상태량)이다. In this process, the target output from the neural network calculator 7 is a quantity (that is charged state quantity) indicating the status of the battery (1). 실질적으로 예를 들면 상기 충전상태량은 SOC(충전상태)이다. Substantially, for example, the charged state quantity is an SOC (state of charge).

먼저 개시가 명령되면, 뉴럴네트워크 연산장치(7)는 적절히 선택된 초기값을 결합계수에 부여한다(단계 S11). First, when a start command, and gives the neural network calculator 7 is a properly selected Initial values ​​to the coupling coefficients (step S11). 상기 초기값은 예를 들면 난수표(random table)를 이용하여 결정된다. The initial value is, for example, are determined using the nansupyo (random table). 그런 다음 상기 연산장치(7)는 학습을 위한 앞의 입력신호를 입력신호로서 읽어들이고, 입력층(201)의 각 셀에 수용된다(단계 S12). Then the calculator 7 reads the front of the input signals for learning as the input signal, is received in each cell of the input layer 201 (step S12). 상기 결합계수에 부여된 앞의 초기값을 이용하여 상기 입력신호는 뉴럴네트워크 연산에 적용되어 SOC의 값 즉 출력파라미터가 계산된다. Using the initial value of the previous assigned to the coupling factor the input signal is applied to the neural network calculation is calculated values ​​of the SOC that is an output parameter.

그런 다음 상기 연산장치(7)는 앞의 식에 따른 오차함수 Ek를 연산하고(단계 S14), 상기 오차함수 Ek가 주어진 최소값으로서 제공되는 문턱 "th"보다 작은지 여부를 결정한다(단계 S15). Then the calculator 7 determines whether or not smaller than the threshold "th" that is provided calculating the error function Ek (step S14), that the error function Ek a given minimum value in accordance with the previous equation (Step S15) . 상기 오차함수 Ek의 값이 문턱 th와 같거나 그보다 클 경우, 상기 연산장치(7)는 결합계수 Kw 및 Wjk가 갱신될 수 있도록 하여 학습처리에서 전술한 갱신량(ΔW)을 계산한 다음(단계 S16), 결합계수 Wk 및 Wjk의 갱신으로 진행한다(단계 S17). If the value of the error function Ek equal to the threshold th or greater than, the said calculator 7 is the coupling coefficient Kw and Wjk calculates the update amount (ΔW) above in the learning process by making it to be updated next (step S16), the process proceeds to updating of the coupling coefficients Wk and Wjk (step S17).

그런 다음 상기 뉴럴네트워크 연산장치(7)에서의 처리과정은 입력층(201)의 셀에서 학습을 위한 입력신호를 다시 읽도록 단계 S12로 복귀된다. Then, the processing in the neural network calculator 7 is returned to step S12 to read the input signals for learning at the cells of the input layer 201 again. 그러므로 SOC는 앞에서와 같이 다시 연산되고, 오차함수 Ek가 역치 th보다 작은 값을 가질 때까지 앞의 처리과정을 반복한다. Therefore, the SOC is calculated again as before, and repeats the preceding process until the error function Ek have a value smaller than the threshold th.

이에 대하여 상기 오차함수 Ek가 역치 th보다 작은 값을 나타내는 것으로 연산장치(7)에서 결정할 경우, 상기 연산장치(7)는 학습이 완료되었음을 결정한다(단계 S18). On the other hand determines that the error function Ek is determined if the operational device (7) indicates a value lower than the threshold th, the calculator 7 is a Learning is completed (step S18). 이러한 결정에 응답하여 상기 학습처리과정은 종료된다. In response to this decision the learning process is terminated.

따라서 상기 뉴럴네트워크 연산장치(7)는 그 연산장치(7)가 앞의 학습처리에 기초하여 대표적인 배터리 방식에 대응하는 다양한 충전/방전 패턴을 학습하거나, 제품을 적하하기 전에 학습결과가 이 연산장치(7)에 미리 기록되도록 제조될 수 있다. Therefore, the neural network calculator 7 is the calculator 7 is a learning result of computing devices learn about various charge / discharge patterns corresponding to representative battery system based on the previous learning process, or prior to dropping the products It can be made to be recorded in advance in (7). 이는 상업적으로 이용가능한 차량에 장착되는 차량용 배터리의 SOC를 연속적으로 추정할 수 있다. It is possible to estimate the SOC of the on-vehicle battery to be mounted on commercially available cars in a row.

완전충전이 결정되지 못하거나 소정 전력량의 방전에 응답하는 개로전압(Vo)이 검출될 수 없는 경우에는, 개로전압(Vo)으로서 검출되는 최종값이 유지될 수 있다. When the full charge can not be determined, or that can not be detected open-circuit voltage (Vo) in response to a discharge of a predetermined amount of power, there is a final value to be detected as the open-circuit voltage (Vo) can be maintained. 또한 완전충전과 관련한 개로전압(Vo) 갱신으로의 다른 접근을 제공할 수 있어, 상기 SOC는 배터리의 사용 동안에 배터리(1)가 얼마나 성능저하되었는지에 따라 정확하게 검출될 수 있다. In addition, it is possible to provide other access to the open-circuit voltage (Vo) to update with respect to the full charge, the SOC can be accurately detected according to whether the battery 1 during use of the battery is much degraded.

(테스트 결과) (Test results)

성능저하 배터리를 포함하는 몇몇 배터리의 충전/방전 패턴(10.15 모드)을 학습한 뉴럴네트워크 연산장치를 준비한다. Prepare a neural network calculator learned some charge / discharge patterns of the battery (10.15 mode) including the battery performance. 또 다른 성능저하(즉 사용됨) 배터리에 대한 다른 충전/방전 패턴(10.15 모드)가 그 패턴에서 실행되는 뉴럴네트워크연산으로 연산장치에 입력되어 SOC(즉 충전율)을 얻는다. Another performance (that is used) different charge / discharge patterns of the battery (10.15 mode) is input to the neural network calculation to the computing device running on the pattern to obtain a SOC (i.e., charging rate). 그 결과는 도7에 나타내었다. The result is shown in Fig.

이러한 테스트의 조건은 다음과 같다. The conditions of these tests are as follows: 뉴럴네트워크 연산장치(7)에 대한 입력신호는 전압 이력 데이터(Vo)와 전류 이력 데이터(Ii), 개로전압(Vo)의 현재값, 및 내부저항(R)의 현재값을 나타내는 신호이다. Input signals to the neural network calculator 7 is a signal indicating a current value of the voltage history data (Vo) and the current history data (Ii), the open-circuit voltage (Vo) the current value, and the internal resistance (R) of the. 소정의 전력량이 방전될 때 요구되는 개로전압(Vo) 데이터는 이 테스트에 이용되지 않는다. Pieces required when a predetermined amount of power discharge voltage (Vo) data is not used for this test. 이와 같이 사용된 배터리는 새로운 배터리의 완전충전상태에서 12.4V의 개로전압(Vo)보다 높은 완전충전상태에서의 12.9V의 개로전압(Vo)을 갖는다. It used this way the battery has a voltage (Vo) of the open-circuit 12.9V 12.4V in the fully charged state of the open-circuit voltage higher than that (Vo) in the fully charged state of a new battery. 그 결과 SOC 검출의 오차는 20.7% 만큼(평균제곱오차) 크다. The result is greater (mean square error), the error as much as 20.7% of the SOC is detected.

주어진 전력량(이 경우 0.5Ah)이 완전충전상태로부터 방전될 때 요구되는 개로전압(Vo)이 뉴럴네트워크 연산장치로의 입력신호에 부가되는 경우에서 다른 테스트가 이루어졌다. A given amount of power (in this case, 0.5Ah) in the case where the open-circuit voltage (Vo) that is required when the discharge from the fully charged state is added to the input signals to the neural network calculator another test was conducted. 그리고 SOC 검출은 앞과 동일한 학습이 반영된 뉴럴네트워크연산에 따라 이루어진다. And the SOC detection was made according to the neural network calculator learned the same as the previous reflection. 이러한 결과는 SOC 검출오차가 20.7%로부터 4.2%로 급격히 감소하는 것을 나타내는 도8에 나타난 바와 같이 얻어진다. This result is obtained, as shown in Fig. 8 indicating that the SOC detection error is dramatically reduced to 4.2% from 20.7%.

충전/방전 패턴(10.15 모드)의 사용과 유사하게 SOC 검출오차를 얻도록 완전충전전력으로부터 소정 전력의 방전에 응답하여 개로전압(Vo)이 사용되고 사용되지 않는 두 경우에서 다른 테스트를 실행한 것으로, 테스트 견본으로서 5개의 성능저하 배터리가 사용되었다. In either case, the charge / discharge pattern that is not used (10.15 mode) as to obtain an SOC detection error similarly with the use from the full charge power in response to a discharge of a predetermined power open-circuit voltage (Vo) used for that run another test, the five performance batteries were used as test samples. 이 테스트 결과는 실질적으로 동일한 뉴럴네트워크연산에 적용하는 것을 고려하지 않고, 완전충전상태 후에 소정 전력량이 방전될 때 필요로 되는 개로전압(Vo)만의 적용이 SOC 검출오차를 크게 감소시킬 수 있다는 것을 나타 내는 것임을 도9에 나타내었다. It indicates that the test results are substantially without considering the application of the same neural network calculation, completely after charge is applied to only the open-circuit voltage (Vo) that is needed when a predetermined amount of power discharge can greatly reduce the SOC detection error that that shown in Fig.

본 실시예에서 본 발명에 따른 "배터리의 소정 충전상태"는 일 예로 완전충전된 배터리(1)로부터 소정 전력량이 방전되는 상태에 대응한다. "A predetermined state of charge of the battery" according to the present invention in this embodiment corresponds to a state in which a predetermined amount of power discharged from the fully charged battery 1 is an example.

(변형예) (Modification)

도5에 나타낸 뉴럴네트워크연산의 구성에서, 입력신호는 전압 이력(Vi) 및 전류 이력(Ii) 데이터만으로 제한될 수 있고, 소정의 전력량이 방전될 때 얻어진 개로전압(Vo) 데이터가 캘리브레이션 데이터로서 이용될 수 있다. In the neural network calculation shown in Figure 5 configuration, the input signal voltage history (Vi) and current history (Ii) can be limited to only data, the open-circuit obtained when the predetermined amount of power discharge voltage (Vo) data as calibration data It can be used. 이러한 변형된 구성의 효과를 확인하기 위하여, 두 개의 구성을 이용하여 추가적으로 사용된 배터리의 SOC 검출오차에서 비교 테스트를 실행하였는데, 하나의 구성은 앞의 입력신호를 사용하지만 캘리브레이션 데이터는 사용하지 않고 실행되고, 다른 하나의 구성은 앞의 입력신호 및 캘리브레이션 데이터를 사용하여 실행되었다. In order to confirm the effects of this modified configuration, were run for comparison testing on SOC detection errors of the battery in addition to using two configurations, one configuration is executed using the front of the input signal, but the calibration data without using and the other one of the configurations was performed using the previous input signal and calibration data. 상기 테스트 결과는 도21 및 도22에 나타내었다. The test results are shown in Figs. 21 and 22. 도21은 캘리브레이션 데이터가 사용되지 않은 것으로 S0C 검출오차가 14.9% 만큼 많은 경우를 나타낸 도면이며, 도22는 캘리브레이션 데이터가 사용된 경우로 SOC 검출오차가 4.1%까지 크게 떨어지는 것임을 알 수 있는 도면이다. Figure 21 is a diagram showing a to unused calibration data when as many as S0C detection error is 14.9%, Figure 22 is a diagram illustrating SOC detection errors in case the calibration data are used to see that the larger drops to 4.1%.

또 다른 변형예도 가능하다. Also other modifications are possible. 즉 도5에 나타낸 뉴럴네트워크연산의 구성에서, 입력신호는 전압 이력(Vi)의 데이터만으로 제한될 수 있고, 소정 전력량이 방전될 때 얻어지는 개로전압(Vo)의 데이터가 캘리브레이션 데이터로 이용될 수 있다. That is, in the configuration of the neural network calculation shown in Figure 5, the input signal may be limited to only data of the voltage history (Vi), are data of the open-circuit voltage (Vo) obtained when the predetermined amount of power discharge can be used as calibration data . 이러한 변형된 구성의 효과를 확인하기 위하여, 두 구성을 이용하여 또 다른 사용된 배터리의 SOC에서 실행되는 비교 테스트를 실행하였는데, 하나의 구성은 앞의 입력 신호는 이용하고 캘리브레이션 데이터를 이용하지 않고 실행한 것이고, 다른 하나의 구성은 앞의 입력신호 및 캘리브레이션 데이터 모두를 이용하여 실행한 것이다. In order to confirm the effects of this modified configuration, were used for the two configurations running a comparison test that runs on the SOC of the other used batteries, a configuration is executed using the front of the input signal without the use of calibration data one will, and the other configuration is executed by using all of the previous input signal and calibration data. 이러한 테스트 결과는 도23 및 도24에 나타내었다. These test results are shown in Figs. 23 and 24. 도23은 캘리브레이션 데이터가 이용되지 않은 경우를 나타낸 것으로, SOC 검출오차가 11.3%만큼 크고, 도24는 캘리브레이션 데이터가 이용되는 경우를 나타낸 것으로, 제1변형에와 같이 SOC 검출오차가 5.3%까지 크게 감소되는 것을 알 수 있다. To Figure 23 is shown a case where the calibration data is not used, illustrates a case in which the SOC detection error is as large as 11.3%, 24 is the calibration data is used, the SOC detection error as shown in the first variation in zoom up to 5.3% it can be seen that reduction.

(제2실시예) (Example 2)

본 발명의 차량용 배터리시스템에 따른 제2실시예를 도10 내지 도14를 참조하여 설명한다. The second embodiment according to the on-vehicle battery system of the present invention will be described with reference to Figures 10 to 14.

제2실시예에서 채용된 차량용 배터리시스템은 보정신호 발생장치의 동작을 제외하고 제1실시예에서 채용된 차량용 배터리시스템과 동일하다. The on-vehicle battery system adopted in the second embodiment is identical with the on-vehicle battery system adopted in the first embodiment except the operation of the correcting signal generator. 그러므로 설명의 간략화를 위하여, 제1실시예와 동일한 구성요소는 동일부호를 부여하며, 상세한 설명은 생략한다. Therefore, for simplicity of description, the same components as the first embodiment and have the same reference marks, and the detailed description is omitted. 이는 이후의 다른 실시예들에서도 동일하게 적용된다. The same applies in the other embodiments that follow.

도10에 나타낸 바와 같이, 제2실시예는 제1실시예와 다르게 두 개로전압(Vo) 간의 차이(ΔV)를 이용하도록 구성되는 보정신호 발생장치(19)를 갖는 배터리상태 검출장치(15)를 채용한다. 10, the second embodiment is the first embodiment and the battery state detector 15 with a correcting signal generator 19 is configured to a different use of the difference (ΔV) between the two open-circuit voltage (Vo) to be adopted. 제1실시예에서는 배터리(1)가 완전충전상태에서 소정 전력량으로 방전될 때 검출되는 개로전압(Vo)만을 이용한다. In the first embodiment uses only the battery 1, the voltage (Vo) detected open-circuit when the discharge to the predetermined amount of power in a fully charged state. 이러한 전력량 대신에, 상기 보정신호 발생장치(19)는 배터리(1)가 완전충전상태에서 소정 전력량을 방전할 때 검출되는 개로전압(Vo)과 배터리(1)가 실질적으로 완전충전상태일 때 검출되는 개로전압(Vo) 간의 차이(ΔV)를 이용한다. Instead of this power, the correcting signal generator 19 is detected when the battery 1 is fully detect the open-circuit voltage (Vo) and the battery (1) is substantially fully charged state, that is to discharge a predetermined amount of power in the state of charge open-circuit utilizes the difference (ΔV) between the voltage (Vo) is.

상기 보정신호 발생장치(19)에 의하여 실행되는 처리과정은 도11에 나타내었다. The processing executed by the correcting signal generator 19 is shown in Fig.

도11에 나타낸 바와 같이, 엔진의 시동에 응답하여 상기 보정신호 발생장치(19)는 연산을 개시한다(단계 S21). 11, the compensation signal generated in response to the engine start device 19 starts the operation (step S21). 상기 개시 이후 상기 보정신호 발생장치(19)는 일정 간격으로 배터리(1)의 전압(V) 및 전류(I)를 검출하고(단계 S22), 이후 검출된 전압(V)과 전류(I)를 이용하여 검출값을 배터리(1)가 완전충전상태인지 여부의 결정에 적용시킨다(즉 완전충전결정)(단계 S23). The voltage (V) and current (I) is detected (step S22), since the detection voltage (V) and current (I) of the battery (1) to the start after a certain interval the correcting signal generator 19 is then used to apply the detection value to the determination of whether or not the battery 1 it is fully charged (i.e., a full charge determination) (step S23). 상기 배터리(1)가 완전충전상태인 것으로 결정될 경우, 상기 보정신호발생장치(19)는 전류적분값(Ah)을 연산하도록 전류(I)의 적분을 개시한다(단계 S24). Discloses an integration of the current (I) when the battery 1 is determined to be the full charge state, the correcting signal generator 19 is to calculate the current integrated value (Ah) (step S24). 본 실시예에서 소정의 제1문턱값은 초기 SOC의 100 내지 95%의 값으로 설정된다. A predetermined first threshold value in this embodiment is set to a value of 100 to 95% of the initial SOC.

상기 단계 S25에서의 결정이 긍정일 때, 즉 상기 전류적분값(Ah)이 소정의 제1문턱값에 도달할 경우, 거의 완전충전상태에서 검출되는 제1개로전압(Vo1)은 제1실시예와 동일 방식으로 얻어진 근사식(LN)의 y절편값을 검출함으로써 연산된다(단계 S26). When the determination is affirmative in step S25, i.e., if the integrated current value (Ah) reaches a predetermined first threshold value, the first open-circuit voltage (Vo1) is substantially detected in the fully charged state is a first embodiment and it is calculated by detecting a y-intercept value of the approximate expression (LN) obtained in the same manner (step S26). 예를 들면 소정의 제1방전량은 제로(zero)의 값으로 설정될 수 있다. For example, the first predetermined discharge amount may be set to a value of zero (zero). 이 경우 정확한 완전충전상태에서의 개로전압(Vo)이 얻어질 수 있다. In this case, the correct fully open-circuit voltage (Vo) in a charged state can be obtained.

이러한 검출 이후, 상기 전류의 적분은 다시 개시되고(단계 S27), 적분된 전류가 제2방전량과 동일한 제2문턱값에 도달하는지 여부를 결정한다(단계 S28). After this detection, the integration of the current is started again (step S27), and the integrated current is determined whether the same reaches the second threshold value and the second discharge amount (step S28). 상기 제2방전량은 제1방전량보다 크도록 설정된다. The second discharge amount is set to be larger than the first discharge amount. 설명된 바와 같이, 근사값(LN)은 제2개로전압(Vo)을 연산하도록 계산된다. As described, an approximation (LN) is calculated to calculate a second open-circuit voltage (Vo). 최종적으로 상기 제1 및 제2개로전압(Vo1, Vo2) 간의 차이(ΔV)는 Vo2 - Vo1을 실행함으로써 연산된다(단계 S30). Finally, the first and second open-circuit voltage (Vo1, Vo2) a difference (ΔV) between the Vo2 - Vo1 is calculated by executing (step S30).

(테스트 결과) (Test results)

용량 및 성능저하 정도가 서로 다른 여러 배터리들을 이용하여, 10.15주행모드에서 실제 구동하는 동안 테스트를 실행하였다. The capacity and performance degradation of using a number of different batteries, the test was carried out during the actual running on the 10.15 running mode. 이 테스트에서 전류(I) 및 단자전압(V)은 뉴럴네트워크 연산장치에 대하여 입력신호를 발견하도록 측정되고, 상기 연산장치는 목표 출력으로서 SOC의 참값(적분된 전류값에서 연산됨)을 이용하여 학습된다. In this test, current (I) and terminal voltage (V) is measured so as to find the input signal to the neural network calculator, using the operation apparatus (as computed from the integrated current value), the true value of the SOC as a target output It is learning. 도12는 배터리의 방전/개로전압 특성 부분을 나타낸 도면이다. 12 is a view showing the discharge / open-circuit voltage characteristics of the battery.

전압 이력 데이터(Vi), 전류 이력 데이터(Ii), 각 배터리의 내부저항(R)값, 및 개로전압값(Vo1, Vo2)에 부가하여, 캘리브레이션 데이터로서 전압차이(ΔV) 값이 이용된다. In addition to voltage history data (Vi), current history data (Ii), internal resistance (R) values ​​for each battery, and the open-circuit voltage value (Vo1, Vo2), a voltage difference (ΔV) value is used as calibration data. 상기 제[1방전량은 0.5Ah이고, 상기 제2방전량은 5Ah이다. Wherein 1 is 0.5Ah discharge amount, and the second discharge amount is 5Ah. 상기 SOC의 검출결과는 도13에 나타내었다. Detection results of the SOC is shown in FIG. SOC 참값과 검출된 SCO값 간의 차이는 오차가 약 5.7%인 결과를 갖는 평균제곱오차로서 평가된다. The difference between the SOC true values ​​and the detected SCO value is evaluated as the mean square error with the result of the error is about 5.7%.

비교를 위하여 캘리브레이션 데이터로서 제공되는 전압차(ΔV)(그러므로 제1방전량을 방전함에 있어서의 개로전압(Vo1))가 뉴럴네트워크 연산장치(7)에 부여되지 않은 조건에서 SOC를 검출하기 위하여 다른 테스트가 실행되었으며, 그 테스크 결과는 도14에 나타내었다. For comparison, the voltage difference (ΔV) that is provided as calibration data (and therefore dogs in as discharging the first discharge amount voltage (Vo1)) the other for detecting the SOC in a condition that is not given to the neural network calculator 7 been tested is executed, the task results are shown in Fig. SOC와 개로전압(Vo) 간의 보정은 배터리의 성능저하 정도에 좌우되어 달라지기 때문에, 검출오차는 12.3%이다. Calibration between the SOC and the open-circuit voltage (Vo) is because it is dependent on the degree of degradation of the battery vary, the detection error is 12.3%. 따라서 12.3%로부터 5.7%로 검출오차가 향상되는 것을 나타낸 전술한 테스트는 캘리브레이션 데이터로서 뉴럴네트워크 연산장치에 전압차(ΔV)의 입력에 따른 것이다. Therefore, the above-mentioned test shown to be the detection error improved from 12.3% to 5.7%, are in accordance with the input of the voltage difference (ΔV) to the neural network calculator as the calibration data.

(제3실시예) (Example 3)

본 발명의 차량용 배터리시스템에 따른 제3실시예를 도15 내지 도24를 참조 하여 설명한다. The third embodiment according to the on-vehicle battery system of the present invention will be described with reference to FIGS. 15 to 24.

제3실시예의 배터리스템의 구성 및 동작은 실질적으로 전술한 실시예들의 구성 및 동작과 동일하지만, 보정신호 발생장치와 뉴럴네트워크 연산장치의 구성 및 동작에 있어서는 전술한 실시예와 다르다. The third embodiment and the operation of the battery system is substantially the same as the structure and operation of the above-described embodiments, however, in different from the above embodiment in the configuration and operation of the correcting signal generator and neural network calculator.

제3실시예에 따른 차량용 배터리시스템은 전술한 보정신호발생장치와 뉴럴네트워크 연산장치 대신에 보정신호 발생장치(29)와 뉴럴네트워크 연산장치(17)를 갖는 배터리상태 검출장치(25)를 제공한다. The on-vehicle battery system according to the third embodiment provides a correcting signal generator 29 and the neural network calculator 17, the battery state detecting unit 25 having, instead of the above-described correcting signal generator and neural network calculator .

상기 보정신호 발생장치(29)는 캘리브레이션 데이터로서 완전충전상태에서 소정의 전력량을 방전함에 있어서 검출되는 개로전압 대신에, 소정의 전력량이 완전충전상태에서 방전될 때 검출되는 배터리(1)의 내부저항(R)을 채용한다. Instead of the open-circuit voltage detected in as discharged in a predetermined amount of power the correcting signal generator 29 is in the fully charged state, as calibration data, the internal resistance of the battery (1) with a predetermined amount of power which is detected when the discharge from the fully charged state, It employs the (R). 한편 상기 뉴럴네트워크(17)는 SOC(충전상태) 대신에 잔존용량을 나타내는 SOH(건전상태)를 나타내는 데이터를 출력하는 출력층(203)을 구비한다. On the other hand and the neural network 17 is provided with the output layer 203 outputting data indicative of SOH (healthy state) representing the remaining capacity in place of SOC (state of charge).

또한 상기 캘리브레이션 데이터는 완전충전상태에서 소정의 전력량이 방전될 때 검출되는 개로전압(Vo)과 내부저항(R) 두 데이터로 구성될 수 있다. Further, the calibration data may be of a predetermined data of the two open-circuit voltage (Vo) and the internal resistance (R) which is detected when the amount of power is discharged in the full charge state.

도16은 보정신호 발생장치(29)에 의하여 실행되는 처리과정을 나타낸 도면이다. 16 is a view showing the processing procedure executed by the correcting signal generator 29.

상기 보정신호 발생장치(29)에서, 처리과정은 차량의 주행에 응답하여 개시되고(단계 S41), 전압(V) 및 전류(I)가 일정간격으로 검출된다(단계 S42). In the correcting signal generator 29, the processing is started in response to the running of the vehicle (step S41), voltage (V) and current (I) is detected at a predetermined interval (step S42). 그런 다음 상기 검출된 전압(V)과 전류(I)의 데이터는 완전충전상태를 결정하기 위하여 이용된다(단계 S43). Such data in the following the detected voltage (V) and current (I) is used to determine the fully charged state (step S43). 상기 배터리가 완전충전상태인 것으로 결정될 경우, 검출된 데 이터의 적분 데이터는 전류적분량(Ah)(단계 S44)을 제공하도록 시작된다. If the battery is determined to be the full charge state, integrating data of the detected data is started to provide a current integrated amount (Ah) (step S44). 그런 다음 전류적분량이 완전충전력의 부분적 소비량인 소정의 방전전력량에 도달하는지 여부를 결정한다(단계 S45). Then, the current integrated amount reaches a predetermined determining whether the discharge amount of power consumption of the part of the full charge capacity (step S45). 상기 결정이 긍정일 때, 즉 상기 전류적분량이 소정의 방전전력량에 도달할 경우, 근사식(LN)은 전술한 근사식과 유사한 방식으로 평가되어 내부저항(R)값은 근사식(LN)의 기울기로부터 알 수 있다(단계 S26). When the determination is affirmative, that is, in case of that the current integrated amount reaches a predetermined discharge amount of power, an approximate expression (LN) has been evaluated in a manner similar to the expression described above approximated the internal resistance (R) value of the approximate expression (LN) it can be seen from the slope (step S26).

전술한 처리과정에서, 완전충전상태 및 내부저항(R)의 연산은 전술한 방법과 동일한 방법으로 실행된다. In the above-described process, calculation of the full charge and an internal resistance (R) is carried out in the same manner as in the method described above. 다시 말해서 배터리(1)로부터 검출된 전압(V)과 전류(I)의 데이터는 최소제곱법에서 선형근사식(LN)을 평가하도록 이용되고, 상기 근사식(LN)의 기울기는 도17에서 예시한 바와 같이 내부저항(R)을 나타내는 양이 됨으로써 연산된다. In other words, data of the voltage (V) and current (I) detected by the battery (1) is used to evaluate the seonhyeonggeun DI (LN) on the least square method, the slope of the approximate expression (LN) is illustrated in Figure 17 by is calculated, the amount of the internal resistance (R) as described.

참고로 소정 방식의 몇몇 사용된 배터리에 대하여 내부저항(R)과 방전전력량 간의 관계를 도18에 나타내었다. Additionally, as shown in Figure 18 the relationship between the internal resistance (R) and the discharge power with respect to some of the used battery in a predetermined manner. 도18로부터 완전충전전력량이 사용된 배터리에 의해 좌우되지만, 사용된 모든 배터리들은 그의 완전충전량에서 거의 동일하거나 그 부근(즉 OAh의 방전량으로부터 되는 작은 범위에)인 것임을 나타낸다. 18, but the full charge dependent on the amount of power from the battery, all the used batteries are substantially the same in its full charge capacity, or indicates that in the vicinity thereof (i. E. A small extent from the OAh discharge amount). 그러므로 성능저하를 나타내는 표시로서 이러한 범위 내에 초기 내부저항값(R)을 이용하기에는 어려움이 있다. Therefore, it is difficult to use the initial internal resistance value (R) in such a range as indications of performance. 이에 대하여 방전량이 증가함에 따라 초기내부저항(R)의 차이는 특징적으로 크게 이루어진다. The difference between the initial internal resistance (R) is characteristically made larger as the discharge amount increases with respect. 따라서 내부저항(R)의 데이터는 소정의 전력량이 완전충전상태로부터 방전된 후 그 내부저항(R)이 평가되는 한(즉, 상당한 전력량이 방전된 후 평가됨), 입력신호로서 채용될 수 있다. Therefore, the data of the internal resistance (R) may be employed as (evaluated after the other words, a significant amount of power discharged), the input signal a predetermined amount of power is one that is evaluated that the internal resistance (R) after discharge from the fully charged state. 그러므로 이러한 초기내부저항(R)은 배터리의 성능저하에 대한 특징적인 표시로서 작용할 수 있어, 배터리의 잔존용 량은 정확하게 검출될 수 있다. Therefore, it can serve this initial internal resistance (R) is a characteristic representation of the degradation of the battery, the remaining capacity of the battery can be accurately detected.

(테스트 결과) (Test results)

앞의 실시예들과 유사하게, 본 실시예에 의하여 구현되는 구성을 확인하기 위한 테스트가 실행되었다. A test to check for the configuration in analogy with the preceding embodiment, implemented by the present embodiment was carried out. 실질적으로 용량 및 성능저하 정도에서 서로 다른 학습용 몇몇 배터리들이 10.15 주행모드 하에서 각 배터리의 전류(I) 및 단자전압(V)이 측정되는 동안 테스트에 적용되었다. It is substantially different from the training some battery capacity and degradation degree are applied to the test during which the current (I) and terminal voltage (V) of each battery is measured under the 10.15 running mode. 측정된 데이터를 이용하여 뉴럴네트워크 연산장치에 대한 입력신호가 연산되고, 목표 출력으로서 제공되는 잔존용량에 기초하여 학습이 이루어진다. Using the measured data is input to the neural network calculator is calculated, the study is made on the basis of the residual capacity serving as a target output. 상기 입력신호는 전압 이력 데이터(Vi), 전류 이력 데이터(Ii), 최소제곱법을 이용하여 발견한 내부저항(R)의 현재값(즉 근사식(LN)의 기울기), 개로전압(Vo)의 현재값(즉 근사식(LN)의 y절편), 및 소정 전력량이 완전충전전력으로부터 방전될 때 얻어지는 내부저항(R)값이다. The input signal voltage history data (Vi), current history data (Ii), the current value of the internal resistance (R) found by using the least squares method (i.e., the slope of the approximate expression (LN)), open-circuit voltage (Vo) the current value (that is the y-intercept of the approximate expression (LN)) of, and the internal resistance (R) value is obtained when a predetermined amount of power to be discharged from the full charge power.

학습을 위한 배터리 이외, 10.15모드에서 주행하는 동안 검출된 입력신호를 이용하여 SOH를 평가하도록 뉴럴네트워크연산에 다른 성능저하 배터리(10.5Ah 및 27Ah의 완전충전용량을 가짐)가 적용된다. It is (with the full charge capacity of 27Ah and 10.5Ah) other than the battery, 10.15 mode other degraded batteries to the neural network calculator to estimate the SOH by using the input signals detected during running at for learning is applied. 상기 검출된 결과는 도19 및 도20에 나타낸 것으로, 도20의 결과는 5Ah 양이 완전충전전력으로부터 방전되는 경우에 얻어지는 초기내부저항(R)을 이용하여 얻어진 것이고, 도19의 결과는 내부저항값을 이용하지 않고 얻어진 것이다. The result of the detection is as shown in Fig. 19 and 20, the results of Figure 20 would obtained with the initial internal resistance (R) is obtained in the case where 5Ah amount is discharged from the full charge power, the result of 19 is the internal resistance one obtained without using the value.

검출의 정확한 평가는 앞의 두 테스트 예시에서 참값과 검출값 간의 평균제곱오차로서 이루어진다. Accurate assessment of the detection is made as a mean square error between the first two of these tests illustrate the true value and detected value. 상기 검출의 정확도는 전력 5Ah가 방전될 때 얻어진 초기내부저항(R)을 적용함으로써 4.7Ah으로부터 0.8Ah로 크게 향상된 것임을 알 수 있 다. The accuracy of the detection is improved can be seen that significantly from 0.8Ah to 4.7Ah by applying the initial internal resistance (R) obtained when the discharge power 5Ah.

앞의 실시예에 채용될 있는 변형예를 제공하며, 버퍼(8)의 샘플링 타이밍과 관련된다. Provides a modification which may be employed in the preceding embodiment, and is related to the sampling timing in the buffer (8). 앞의 실시예에서, 전압 및 전류 이력(Vi 및 Ii)에 대한 샘플링이 일정 간격으로 이루어지지만, 이에 한정되지 않는다. In the previous embodiments, the sampling for the voltage and current history (Vi and Ii), but made at a predetermined interval, and the like. 대신에 전압 및 전류가 소정값으로 충전되는 언제라도 샘플링을 충분히 실행할 수 있다. Instead of the voltage and current in the can fully execute at any time sampling to be filled to a predetermined value.

(제4실시예) (Example 4)

도25 내지 도32를 참조하여 본 발명의 차량용 배터리시스템에 따른 제4실시예를 설명한다. Refer to FIGS. 25 to 32 by the present will be described a fourth embodiment according to the on-vehicle battery system of the invention.

본 실시예에 따른 차량용 배터리는 캘리브레이션데이터로서 완전충전상태의 배터리(1)로부터 소정의 전력량을 방전하는 것에 응답하여 얻어지는 배터리(1)의 개로전압(Vo) 및 배터리(1)의 내부저항(R) 모두를 이용하여 SOC(충전상태) 및 SOH(건전상태) 를 나타내는 정보를 검출하도록 뉴널네트워크연산을 실행하는 것을 특징으로 한다. Vehicle battery according to this embodiment has an internal resistance (R of the battery 1 is in the open-circuit voltage (Vo) and the battery (1) is obtained in response to discharging a predetermined amount of power from the fully charged state, the battery 1 as calibration data ) using both characterized by nyuneol running network calculation to detect information indicative of the SOC (state of charge) and SOH (state batteries).

이러한 특징에 대하여 상기 차량용 배터리시스템은 도25에 나타낸 바와 같이 버퍼(18), 뉴럴네트워크 연산장치(27) 및 보정신호 발생장치(39)를 갖는 배터리상태 검출장치(35)를 제공한다. For these features the on-vehicle battery system provides a battery state detector 35 with a buffer 18, a neural network calculator 27, and the correcting signal generator 39, as shown in Fig.

제1실시예와 유사하게, 상기 버퍼(18)는 전압과 전류 이력 데이터(Vi, Ii)의 전처리를 실행한다. The first buffer 18 is similar to the first embodiment, executes the pre-processing of the voltage and current history data (Vi, Ii). 또한 상기 버퍼(18)는 공지 기술에 의하여 전압 및 전류데이터(V, I)간의 관계를 반영한는 근사식(LN)(도4 참조)을 생성하도록 최소제곱법을 이들 전압 및 전류 이력 데이터(Vi, Ii)에 적용한다. In addition, the buffer 18 is by a known technique of voltage and current data, an approximate expression banyounghanneun the relationship between the (V, I) (LN) (see Fig. 4) of the least squares of these voltage and current history data to generate (Vi, It shall apply to ii). 이러한 근사식(LN)을 이용하여 상기 버퍼(18)는 전압 및 전류데이터(V, I)가 읽혀질 때마다 근사식(LN)의 y절편값(즉 개로전압)을 연산하여 배터리(1)의 개로전압의 현재값(Vo)을 얻는다. This approximate formula the buffer 18 using the (LN) is a battery (1) to calculate a y-intercept value (i.e., the open-circuit voltage) of the approximate expression (LN) each time the voltage and current data (V, I) to be read open-circuit obtains the current value (Vo) of the voltage. 전압 및 전류 이력 데이터(Vi, Ii)와 상호 관련한 데이터로서 기능하는 이러한 개로전압의 현재값(Vo)은 뉴럴네트워크 연산장치(7)로 제공된다. The current value (Vo) of this open-circuit voltage, which functions as a voltage and current history data (Vi, Ii), and data related to each other are provided to the neural network calculator 7.

상기 보정신호 발생장치(39)는 앞의 개로전압값(Vo)과 내부저항(R)을 연산하고, 캘리브레이션 데이터로서 뉴럴네트워크 연산장치(7)에 이들 값의 데이터를 제공하도록 구성된다. The correcting signal generator 39 is configured to provide data of those values ​​to the neural network calculator 7 as an operation voltage value (Vo) and the internal resistance (R) of the front pieces and the calibration data. 도26을 참조하여 이들 값을 연산하는 방법에 대하여 설명한다. Reference to Figure 26 will be described with respect to the method for calculating these values.

엔진의 시동에 응답하여 상기 보정신호발전장치(39)는 연산을 개시한다(단계 S51). In response to the engine start of the correction signal generation unit 39 starts the operation (step S51). 개시 이후, 상기 보정신호 발생장치(39)는 일정간격으로 배터리(1)의 전압(V) 및 전류(I)를 검출하고(단계 S52), 그런 다음 검출된 전압(V) 및 전류(I)를 이용하여 그 검출된 값이 배터리(1)가 완전충전상태인지 여부를 결정하도록 적용된다(단계 S53). Disclosed later, the correcting signal generator 39 detects the voltage (V) and current (I) of the battery 1 at intervals (step S52), that the detected voltage, and then (V) and current (I) by using this value is that the detected battery (1) is adapted to determine whether a full-charge state (step S53). 그런 다음 상기 보정신호 발생장치(39)는 전류적분을 개시하도록 명령하고, 적분된 전류값(Ah)이 소정 방전량에 도달하는지 여부를 결정한다(단계 S54, S55). Then the correcting signal generator 39 and a command to start the current integration, the integrated current value (Ah) is determined whether reaches a predetermined discharge amount (steps S54, S55).

적분된 전류값이 소정 방전량에 도달하는 것으로 결정될 경우, 이러한 결정이 이루어질 때 얻어지는 개로전압값(Vo)은 소정 전력량이 방전될 때 검출되는 개로전압(Vo)으로서 연산된다(단계 S56). If the integrated current value is determined to reach the predetermined discharge amount, the open-circuit voltage value (Vo) obtained when such a determination be made is calculated as an open-circuit voltage (Vo) is detected when a predetermined amount of power discharged (step S56). 지금까지 기억된 개로전압(Vo)은 이러한 연산값으로 갱신된다(단계 S57). The open-circuit voltage (Vo) stored so far is updated to this calculated value (step S57).

또한 전술한 바와 같이 개로전압(Vo)의 연산에 응답하여 배터리(1)의 내부저항(R) 값은 앞서 설명한 바와 같이 근사식(LN)의 기울기를 계산함으로써 연산되고( 단계 S58), 지금까지 기억된 기억내부저항(R)은 연산된 값으로 갱신된다(단계 S59). In addition, the internal resistance (R) value in response to the operation of the open-circuit voltage (Vo) as described above, the battery 1 is calculated by calculating the slope of the approximate expression (LN) as described above (step S58), so far a memory storing the internal resistance (R) is updated to the calculated value (step S59).

상기 뉴럴네트워크 연산장치(27)는 기능적으로 도27에 나타낸 바와 같이 SOC(충전상태)를 연산하기 위한 제1뉴럴네트워크블록(1071) 및 SOH(건전상태)를 연산하기 위한 제2뉴럴네트워크블록(1072)을 제공한다. A second neural network block for computing a first neural network block 1071 and SOH (healthy state) for calculating an SOC (state of charge) as shown in the neural network calculator 27 is 27 functionally ( 1072) provides. 실질적으로 이들 뉴럴네트워크블록(1071, 1072)은 두 세트의 처리과정에 의하여 기능적으로 구현되는데, 예를 들면 각 단계는 소정 간격에서의 세트 세트마다 실행된다. Substantially they are implemented neural network block functionally by the process of (1071, 1072) are two sets of, for instance, each step is performed for each set of the set at a predetermined interval. 보다 구체적으로 CPU 및 메모리를 갖는 마이크로컴퓨터 시스템이 뉴럴네트워크 연산장치(27)에 이용될 수 있다. More specifically, there is a microcomputer system having a CPU and memory may be used in the neural network calculator 27. 두 세트의 처리과정을 제안하는 처리과정의 데이터는 메모리에 미리 저장되고, 상기 CPU는 제안된 처리과정에서의 처리를 실행할 수 있다. Data of the process suggesting the process of the two sets may be stored in advance in the memory, the CPU can execute the processing in the proposed process.

상기 SOC에 대한 제1뉴럴네트워크블록(1071)은 도28에 기능적으로 나타내고, SOH에 대한 제2뉴럴네트워크블록(1072)는 도29에 기능적으로 나타내었다. A first neural network block 1071 for the SOC is functionally shown in Figure 28, the second neural network block 1072 for the SOH is functionally shown in Fig. 두 블록(1071, 1072) 간의 차이는, SOC에 대한 제1블록(1071)으로의 입력신호(파라미터)가 내부저항(R)의 신호에 포함되지 않지만 SOH에 대한 제2블록(1072)은 내부저항(R)에 포함되는 구성에서 그 차이가 있다. Two block difference, the second block 1072 for the input signals (parameters) that is not included in the signal of the internal resistance (R) SOH of the first block 1071 for the SOC between the (1071, 1072) is an internal there is a difference in the configuration that includes a resistor (R). 상기 내부저항(R)을 이용하거나 이용하지 않는 것을 제외하고는 블록(1071, 1072) 양측은 그의 구성에서 동일하다. And the block (1071, 1072) except that it does not use or use of the internal resistance (R) on both sides is the same in its configuration. 그러므로 상기 제1블록(1072) 및 제2블록(1072)을 대표하여 제1블록(1071)을 설명한다. Therefore, on behalf of the first block 1072 and the second block 1072 will be described a first block 1071.

도28에 나타낸 상기 SOC에 대한 제1뉴럴네트워크블록(1071)은 전술의 뉴럴네트워크블록과 같이, 역전파방법에서 학습하는 세 개의 계층적 피드포워드방식 연산장치로 형성된다. A first neural network block 1071 for the SOC shown in Figure 28 is formed of a three hierarchical feed-forward manner from the computing device to learn, back propagation method as the above-described neural network block. 그러나 이는 하나의 일 예이고, 다른 어떠한 뉴럴네트워크방식이 적절히 선택되어 이 블록(1071)에 적용될 수 있다. However, it is, and one example of suitably any other neural network selection method may be applied to the block 1071. 상기 블록(1071)은 소정 개수의 입력셀을 갖는 입력층(201)을 구비한다. And the block 1071 is provided with an input layer 201 with input cells of a predetermined number.

상기 각 입력셀은 입력데이터(신호)로서 전압 이력 데이터(Vi), 전류 이력 데이터(Ii) 및 배터리(1)로부터의 개로전압(Vo)과 내부저항(R)의 현재값을 제공받을 뿐만 아니라, 캘리브레이션데이터로서 소정의 전력량이 방전될 때 보정신호 발생장치(39)로부터 얻어진 개로전압(Vo)의 값을 제공받는다. The respective input cells not only receive the current value of the voltage history data (Vi), current history data (Ii) and the open-circuit from the battery (1) voltage (Vo) and the internal resistance (R) as input data (signals) , as calibration data provided with a value of the open-circuit voltage (Vo) obtained from the correction signal generation unit 39 when the discharge is a predetermined amount of power. 상기 각 입력셀은 증간층(202)에 속하는 모든 연산셀에 제공받은 데이터를 부여한다. The respective input cells are assigned the data provided to all cells belonging to the operation jeunggan layer 202.

상기 중간층(202)의 연산셀은 입력층(201)의 입력셀로부터 입력되는 데이터에 뉴럴네트워크 연산을 적용하고, 출력층(203)의 출력셀에 결과적인 연산결과를 제공하는 역할을 한다. The calculation cells in the intermediate layer 202 plays a role of applying neural network calculation to the data inputted from the input cells in the input layer 201 and providing resultant calculation results to an output cell in the output layer (203). 상기 연산은 SOC로 지향되기 때문에, 상기 출력층(203)에서의 출력셀은 SOC를 나타내는 출력데이터로서 제공된다. The operation because directed to the SOC, the output cell in the output layer 203 is provided as an output data showing the SOC.

상기 제1뉴럴네트워크블록(1071)의 학습방법은 근사식(1) 내지 (9) 및 도6과 관련하여 전술한 바와 같이 동일하다. Learning method of the first neural network block 1071 is the same as described above with respect to the approximate expression (1) to (9), and FIG.

(테스트 결과) (Test results)

사용된 배터리를 포함하는 몇몇 배터리의 소정의 충전/방전 패턴(10.15모드)을 학습한 제1뉴럴네트워크 연산장치(즉 SOC 전용 연산장치)가 준비된다. Learning a predetermined charge / discharge patterns of some batteries including the used battery (10.15 mode) the first neural network calculator (i.e., SOC-only processing unit) is prepared. 추가적으로 사용된 배터리에 대한 다른 충전/방전 패턴(10.15모드)가 상기 패턴에서 실행되는 뉴럴네트워크연산으로 상기 연산장치에 입력되어 SCO(즉 배터리의 충전율)가 얻어진다. Additionally other charge for the battery / discharge patterns (10.15 mode) is a neural network calculation to be executed in the pattern is input to the computing device is obtained SCO (i.e., charging rate of the battery). 이러한 결과를 도30에 나타내었다. These results are shown in Figure 30.

이 테스크 조건은 다음과 같다. The task conditions are as follows. 상기 제1뉴럴네트워크 연산장치로의 입력신 호는 전압 이력 데이터(Vi), 전류 이력 데이터(Ii) 및 개로전압(Vo)의 현재값(즉 최소제곱 근사식(LN)의 y절편에 의하여 제공된 현재값)을 나타내는 신호이다. The first input signal to the neural network calculator are provided by the y-intercept of the voltage history data (Vi), current history data (Ii) and the open-circuit voltage (Vo) the current value (i.e., a least squares approximation equation (LN) of a signal indicative of the current value). 상기 캘리브레이션 데이터는 완전충전으로부터 소정량(0.5Ah)의 방전에 응답하여 검출되는 개로전압(Vo)이다. The calibration data is open-circuit is detected in response to discharging a predetermined amount (0.5Ah) from the full charge voltage (Vo). 이러한 테스트는 1.9%의 검출오차를 나타내며, 뉴럴네트워크 연산은 크게 향상된다. This test indicates a detection error of 1.9%, the neural network calculation is greatly improved.

앞의 테스트에서 사용된 배터리 그룹의 몇몇 충전/방전 패턴(10.15모드)을 학습한 제2뉴럴네트워크 연산장치(즉 SOH전용 연산장치)가 준비된다. Several charge / discharge patterns of the battery groups used in the previous test (10.15 mode) learning a second neural network calculator (i.e., SOH-only processing unit) to be prepared. 앞의 테스트에서 사용된 추가적인 사용된 배터리에 대하여 다른 충전/방전 패턴(10.15모드)이 그 패턴에서 실행되는 뉴럴네트워크연산으로 상기 연산장치로 입력되어 잔존용량을 나타내는 SOH를 얻는다. The neural network calculation performed on the pattern that is different charge / discharge with the additional use of the battery used in the preceding test pattern (10.15 mode) is input to the computing device obtains the SOH indicates a residual capacity. 이러한 결과를 도31에 나타내었다. These results are shown in Fig.

테스트 조건은 다음과 같다. Test conditions are as follows. 상기 제2 뉴럴네트워크 연산장치에 대한 입력신호는 전압 이력 데이터(Vi)와 전류 이력 데이터(Ii), 개로전압(Vo)의 현재값(즉 최소제곱 근사값(LN)의 y절편에 의하여 제공되는 현재값), 및 내부저항(R)을 나타내는 현재값(즉 최소제곱 근사값(LN)의 기울기)을 나타내는 신호이다. Wherein the current which the second input signals to the neural network calculator are provided by the y-intercept of the voltage history data (Vi) and current history data (Ii), the open-circuit voltage (Vo) the current value (i.e., the least square approximation (LN) of value), and a signal representing the slope of a) (present value (i.e., the least square approximation (LN representing R)) internal resistance. 상기 캘리브레이션 데이터는 완전충전으로부터 소정 전력량(예를 들면 0.5Ah)의 방전에 응답하여 검출되는 개로전압(Vo) 및 동일 방전에 응답하여 검출된 내부저항(R)이다. The calibration data is a predetermined amount of power to the open-circuit voltage detected in response to discharge (for example 0.5Ah) (Vo) and the internal resistance (R) in response to the same discharge is detected from the full charge. 이러한 테스트는 SOH에 대한 검출오차가 1.1Ah인 것을 나타내었으며 이는 크게 향상시킨다. These tests showed that the error is detected for the SOH 1.1Ah This improves significantly.

앞에서 연산된 SOC와 SOH의 값은 예를 들면 도32에 나타낸 맵을 이용하여 분류될 수 있고(SOC의 경우에서), 성능저하 정도를 나타내는 정보가 제공될 수 있다. The values ​​of the SOC and SOH calculated earlier, can be, for example, Figure 32 can be classified using a map as shown in, and provide information indicating the extent (in the case of the SOC), performance degradation. 도32에 나타낸 성능저하정도 맵은 미리 제공되고 뉴럴네트워크 연산장치에 구비된 메모리에 기억된다. FIG degradation degree map shown in Fig. 32 is previously provided and stored in a memory provided in the neural network calculator. 도32에 나타낸 이러한 예시의 맵은 SOC의 양 및 완전충전용량(Q)에 좌우되는 섹션(단계)을 구비하여, 연산된 SOC 데이터는 연산된 데이터 실패 스텝을 결정하도록 12스텝의 성능저하 정도를 참조하여 이루어진다. And also a map of this example shown in FIG. 32 is provided with a section (step) is dependent on the amount of the SOC and the full charge capacity (Q), the calculated SOC data are the lowering of the 12 steps performance level so as to determine the operation data fails, step reference is made to.

(변형예) (Modification)

제4실시예의 몇몇 변형예가 다음과 같이 제공될 수 있다. The example some variants fourth embodiment may be provided as follows.

제1변형예는 배터리의 성능저하 정도의 연산에 관련된다. The first modification relates to the degree of performance degradation of the battery operation. 상기 배터리의 성능저하 정도는 "SOH의 현재값(SOC XQ intial )"을 연산함으로써 얻어질 수 있다. Degraded level of the battery may be obtained by calculating the "present value of SOH (SOC XQ intial)". 여기에서 Q intial 은 테스트될 배터리의 초기 완전충전용량을 나타내며, 이는 미리 테스트되고 초기 데이터로서 기억된다. Here, Q denotes the initial intial charge capacity of the battery to be tested, which is previously tested and memorized as initial data. 이러한 방식의 연산은 연산장치(27)에 전달가능하게 연결되는 다른 연산장치 또는 그 연산장치(27) 자체에 의하여 실행될 수 있어, 상기 각 배터리의 성능저하 정도는 정확한 각각의 SOC, SOH를 제공할 수 있다. Calculated in this manner can be performed by a different computing device or a computing device (27) itself connected to enable delivery to the computing device 27, the performance degradation of each battery degree to provide correct each SOC, SOH can.

도33은 제2변형예를 나타낸 도면으로, 뉴럴네트워크 연산장치의 다른 형태에 관한 것이다. 33 relates to another aspect of the neural network calculator in the drawings, showing a second modified example. 도33에 기능적으로 나타낸 뉴럴네트워크 연산장치(37)는 제1뉴럴네트워크블록(1071) 및 제2뉴럴네트워크블록(1072A)을 갖도록 구성된다. The neural network calculator 37 functionally shown in Figure 33 is configured to have a first neural network block 1071 and a second neural network block (1072A). 이들 블록에서, 상기 제1뉴럴네트워크블록(1071)은 도27에 나타낸 블록과 동일하며, 상기 제2뉴럴네트워크블록(1072A)은 입력데이터로서 제4실시예의 SOC 데이터와 유사하게 연산된 SOC 데이터, 소정량의 방전에 응답하여 검출되는 개로전압(Vo), 및 이 방전에 응답하여 검출되는 내부저항(R)을 제공받는다. In these blocks, the first neural network block 1071 is the same as the block shown in Figure 27, the second neural network block (1072A) is a fourth embodiment of SOC data and similarly calculated SOC data as input data, open-circuit is detected in response to discharging a predetermined amount of voltage (Vo), and in response to the discharge is provided by the internal resistance detecting (R). 그러므로 학습을 통하여 SOH의 값을 연산할 수 있다. Therefore, it is possible to calculate a value of the SOH through learning. 따라서 상기 SOH는 제4실시예에서 연산된 SOC와 같이 거의 동일한 검출 정확도로 연산될 수 있다. Accordingly, the SOH can be calculated with substantially the same detection accuracy as the SOC calculated in the fourth embodiment.

제3변형예는 입력 및 캘리브레이션 데이터를 제공하는 방법이다. The third modification is how to provide input and calibration data. 도29에 나타낸 뉴럴네트워크 연산장치(27)의 구성에서, 상기 입력신호는 전압 이력(Vi)과 전류 이력(Ii) 데이터만으로 제한될 있고, 캘브레이션 데이터로서 소정 전력량이 방전될 때 얻어진 개로전압(Vo)과 내부저항(R) 데이터가 이용될 수 있다. In the configuration of the neural network calculator 27 it is shown in Fig. 29, the input signal is the open-circuit voltage obtained when a predetermined amount of power discharged as is, and Cal calibration data limited to voltage history (Vi) and current history (Ii) data ( there Vo) and the internal resistance (R) data can be used. 이러한 변형된 구성의 효과를 확인하기 위하여 두 구성을 이용하여 추가적으로 사용된 배터리의 SOC 검출오차에서 비교 테스트가 실행되었다. This in order to confirm the effect of the modified configuration by using two configuration comparison test was run on SOC detection errors of further used batteries. 여기에서 상기 두 구성 중 하나의 구성은 앞의 입력신호를 사용하고 캘리브레이션 데이터를 사용하지 않고 실행된 것이고, 다른 하나의 구성은 입력신호 및 캘리브레이션 데이터 모두를 사용하여 실행한 것이다. Here, a configuration of the two configurations will run using the previous input signal and without the use of calibration data, the other configuration is executed by using both the input signal and calibration data. 도34 및 도35에 이러한 테스크 결과를 나타낸 것이다. 34 and shows the results of these tasks in Fig. 도34는 캘리브레이션 데이터가 사용되지 않는 경우를 나타낸 것으로 SOC 검출오차는 9.1% 만큼 크고, 도35는 캘리브레이션 데이터를 사용한 경우를 나타낸 것으로 SOC 검출오차가 6.8%로 크게 감소된 것이다. 34 is a SOC detection errors by showing a case that is not used calibration data is as large as 9.1%, Figure 35 is an SOC detection errors by showing the case of using the calibration data greatly reduced to 6.8%.

(제5실시예) (Fifth embodiment)

도36 내지 도39를 참조하여 본 발명의 차량용 배터리시스템에 따른 제5실시예를 설명한다. See Fig. 36 to 39 by the present will be described a fifth embodiment according to the on-vehicle battery system of the invention.

본 실시예에 따른 차량용 배터리시스템은 캘리브레이션 데이터(입력신호이 일부)로서 소정 전력량이 완전충전전력으로부터 방전될 때 얻어지는 배터리(1)의 개로전압(Vo) 및 내부저항(R) 모두를 사용하여 배터리(1)의 완전충전용량을 추정하 기 위한 뉴럴네트워크연산을 실행하는 것에 특징이 있다. Vehicle battery system according to this embodiment is provided with both the calibration data (input sinhoyi part) as a predetermined amount of power is complete battery (1) open-circuit voltage (Vo) and the internal resistance (R) is obtained when the discharge from the charging power battery ( 1) is characterized by executing a neural network calculation for group to estimate a full charge capacity.

이러한 특징에 대하여, 상기 차량용 배터리시스템은 도36에 나타낸 바와 같이 버퍼(28), 뉴럴네트워크 연산장치(47), 및 보정신호 발생장치(49)를 갖는 배터리상태 검출장치(45)를 제공한다. With respect to this aspect, the on-vehicle battery system provides a buffer 28, a neural network calculator 47, and a correcting signal generator 49, a battery state detector 45 with, as shown in Figure 36. 상기 배터리상태 검출장치(45)는 전체적으로 또는 그 일부분으로 CPU, 메모리 및 다른 필요부품을 갖고 마이크로컴퓨터로 형성될 수 있지만, 디지털 로직 회로 및/또는 아날로그 회로에서의 회로로 제한되지 않는다. The battery state detector 45 is not limited to the whole or a portion thereof to the circuitry in CPU, memory, and have the other necessary parts can be formed of a microcomputer, digital logic circuits and / or analog circuitry. 도36에 나타낸 회로는 단지 예로서 나타낸 것이다. The circuit shown in Figure 36 is shown only as an example.

상기 뉴럴네트워크 연산장치(47)는 버퍼(28)와 보정신호 발생장치(49)로부터 다양한 입력신호를 제공받고, 출력파라미터로서 배터리(1)의 예상 완전충전용량(Q)을 나타내는 데이터를 추정하도록 입력신호에 뉴럴네트워크연산을 적용하도록 구성된다. The neural network calculator 47 to estimate the data indicating the estimated full charge capacity (Q) of the battery 1 being provided for the various input signals from the buffer 28 and correcting signal generator 49, as an output parameter the input signal is configured to apply the neural network calculation. 상기 보정신호 발생장치(49)는 캘리브레이션 데이터로서 완전충전전력을 갖는 배터리(1)로부터 소정 전력량의 방전에 응답하여 얻어지는 배터리(1)의 개로전압(Vo)과 내부저항(R)을 연산하도록 구성된다. The correcting signal generator 49 is configured to calculate the open-circuit voltage (Vo) and the internal resistance (R) of the battery 1 obtained in response to a discharge of a predetermined amount of power from the battery 1 having the fully charged power as calibration data do. 상기 보정신호 발생장치(49)가 기능적으로 마이크로컴퓨터 시스템에 의하여 구현될 경우, CPU는 RAM 또는 레지스터에 유지된 일군의 전압 및 전류 쌍(V, I)으로부터 개로전압(Vo) 및 내부저항(R)을 연산한다. If the correcting signal generator 49 is functionally realized by a microcomputer system, CPU is the voltage and current pairs of the group held in the RAM or register (V, I) from the open-circuit voltage (Vo) and the internal resistance (R ) is computed.

또한 상기 버퍼(28)는 제공받을 전압 및 전류(V, 1)의 처리과정에서만 결합되도록 형성되고, 전압 및 전류 이력 데이터(Vi, Ii)를 형성하도록 일정 간격에서의 두 방식의 데이터의 병렬 샘플링, 그의 기억 및 뉴럴네트워크 연산장치(47)에 대한 각 샘플링 시간에서 전압과 전류 데이터(V, I)의 병렬출력을 포함한다. Also is formed to be coupled only in the processing of the buffer 28 is a voltage and current (V, 1) receive the voltage and current history data parallel sampling of the two methods of data at predetermined intervals so as to form a (Vi, Ii) includes his memory voltage and in parallel with the output of the current data (V, I) at each sampling time to the neural network calculator 47.

상기 보정신호 발생장치(49)는 완전충전전력을 갖는 배터리로부터 소정 전력량의 방전에 응답하여 검출되는 배터리(1)의 개로전압(Vo)과 내부저항(R)을 연산하도록 구성된다. The correcting signal generator 49 is configured to calculate the open-circuit voltage (Vo) and the internal resistance (R) of the battery 1 detected in response to a discharge of a predetermined amount of power from a battery having a full charge power. 이들 개로전압(Vo)과 내부저항(R)의 값을 나타내는 데이터는 캘리브레이션 데이터로서 뉴럴네트워크 연산장치(47)로 제공된다. Data representing the value of these open-circuit voltage (Vo) and the internal resistance (R) is provided to the neural network calculator 47 as calibration data. 이들 데이터에 대한 처리과정은 도37에 나타내었으며, 도26에 나타낸 처리과정과 유사하다. Processing of these data exhibited in Figure 37, is similar to the process shown in Fig.

구체적으로 엔진의 시동에 응답하여 보정신호 발생장치(49)는 연산을 개시한다(단계 S51'), 개시 이후 상기 보정신호 발생장치(49)는 일정간격으로 배터리(1)의 전압(V) 및 전류(I)를 검출하고(단계 S52'), 그런 다음 검출된 전압(V) 및 전류(I)를 이용하여 배터리(1)가 완전충전상태인지 여부를 결정하도록 검출된 값을 적용한다(단계 S53'). Specifically, in response to the engine start correcting signal generator 49 starts the operation (step S51 '), after the start of the correcting signal generator 49 at a predetermined interval voltage (V) of the battery (1) and detecting a current (I) (step S52 '), that is, the following by using the detected voltage (V) and current (I) the battery 1 is applied to the values ​​detected to determine whether or not the full charge state (step S53 '). 이후 상기 보정신호 발생장치(49)는 전류적분의 시작을 명령하고 적분된 전류값(Ah)이 소정 방전량에 도달하는지 여부를 결정한다(단계 S54' 및 S55'). And since the correcting signal generator 49 is a command for the start of current integration and the integrated current value (Ah) is determined whether reaches a predetermined discharge amount (steps S54 'and S55').

상기 적분된 전류값이 소정 방전량에 도달한 것으로 결정될 경우, 이러한 결정이 이루어질 때 얻어진 개로전압값이 소정 전력량이 방전될 때 검출되는 개로전압값(Vo)으로 연산된다(단계 S56'). Wherein if the integrated current value is determined to have reached the predetermined discharge amount, the open-circuit voltage value obtained when such a determination be made is calculated by the open-circuit voltage value (Vo) is detected when a predetermined amount of power discharged (step S56 '). 현재까지 저장된 개로전압(Vo)은 새로운 연산값으로 갱신된다(단계 S57'). Voltage (Vo) is stored to the current open-circuit is updated with the new calculated value (step S57 ').

또한 전술한 바와 같이 개로전압의 연산에 응답하여, 전술한 바와 같이 근사식(LN)의 기울기를 추정하여 배터리(1)의 내부저항값이 연산되고(단계 S58'), 또한 현재까지 저장된 내부저항(R)은 새로운 연산값으로 갱신된다(단계 S59'). In addition, in response to the open-circuit voltage calculation as it described above, and the internal resistance of the battery 1 is calculated by estimating the slope of the approximate expression (LN) as described above (step S58 '), also the internal stored so far resisted (R) is updated with the new calculated value (step S59 ').

도38에 나타낸 바와 같이, 상기 뉴럴네트워크 연산장치(47)는 입력셀(201)을 갖는 입력층(201), 연산셀을 갖는 중간층(202), 및 출력셀을 갖는 출력층(203)을 구비한다. As shown in Figure 38, the neural network calculator 47 is provided with an output layer (203) having an input cell 201, the input layer 201, intermediate layer 202, and an output cell with the calculation cell having a . 상기 입력층(201)의 입력셀은 입력신호로서 버퍼(28)로부터 전압 이력 데이터(Vi)와 전류 이력 데이터(Ii)를 제공받고, 또한 캘리브레이션 데이터로서 보정신호 발생장치(49)로부터 소정 전력량의 방전에 모두 응답하는 개로전압(Vo)과 내부저항(R)의 데이터를 제공받는다. Input cells of the input layer 201 has been provided with the voltage history data (Vi) and current history data (Ii) from the buffer 28 as an input signal, and a predetermined amount of power from the correcting signal generator 49, as calibration data, It is provided with the data of the open-circuit responsive to both the discharge voltage (Vo) and the internal resistance (R). 상기 입력셀에 의하여 제공받은 데이터는 중간층(202)의 연산셀에 각각 제공된다. Data received by the input cell is supplied to each operation cell of the intermediate layer 202.

상기 각 셀은 입력셀로부터 주어진 입력데이터에서 소정의 뉴럴네트워크 연산을 실행하여 현재 배터리(1)의 예상 완전충전용량(Q)이 추정된다. It said each cell by performing a predetermined neural network calculation on the input data from a given input cell is estimated the estimated full charge capacity (Q) of the current battery (1). 추정된 완전충전용량을 나타내는 데이터는 예를 들면 출력층(203)으로부터 발전기 제어유닛(6)으로 제공될 출력셀로 전달된다. Indicating the estimated full charge capacity data, for example, it is transmitted to the output cells to be provided to the generator control unit 6 from the output layer (203).

상기 뉴럴네트워크 연산장치(47)에 의하여 실행되는 상세한 학습처리과정은, 시간함수 t인 출력파라미터으로서 최종적으로 연산되는 출력 OUT(t)가 배터리(1)의 완전충전용량(Q)인 것을 제외하고는 제1실시예에서 설명한 학습처리과정과 동일하다. Detailed learning processing executed by the neural network calculator 47, except that the final output OUT (t) is calculated as an output parameter a function of time t is in the full charge capacity (Q) of the battery (1) is equal to the learning process described in the first embodiment.

도37의 처리과정에서, 완전충전이 아직 구현되지 않는 것으로 결정되거나 소정 전력량의 방전에 응답한 개로전압(Vo)을 아직 알 수 없는 것으로 결정될 경우, 앞서 얻어진 값은 개로전압(Vo)으로서 유지된다. In the process of Figure 37, fully charged or determined as not yet implemented when it is determined as not yet understood that the open-circuit voltage (Vo) in response to a discharge of a predetermined amount of power, the previously obtained value is kept as the open-circuit voltage (Vo) .

또한 이러한 전력방전에서의 개로전압(Vo) 및 내부저항(R)이 변동되는 경우, 상기 변동값은 새로운 변동값으로 갱신되고 유지되어, 완전충전용량(Q)은 배터리의 성능저하 정도를 좌우하는 정확도로 검출될 수 있다. Also, when this power circuit voltage (Vo) and the internal resistance (R) of the discharge variation, the variation value is updated and held as a new variation value, the full charge capacity (Q) is to influence the degree of degradation of the battery It can be detected with accuracy.

변형예로서, 배터리의 성능저하 정도를 연산하기 위한 수단을 제공하는 것으로 도36에 나타낸 바와 같이 뉴럴네트워크 연산장치(47) 또는 발전기 제어유닛(6) 중 어느 하나에 의하여 기능적으로 달성될 수 있다. Alternatively, it can be functionally accomplished with by any of the neural network calculator 47 or the generator control unit 6, as shown in Figure 36 as providing means for calculating the degree of degradation of the battery. 예를 들면 이러한 유닛은 다음의 식에 기초하여 연산을 실행한다. For example, such a unit performs a calculation based on the following formula.

DD = Q present / Q initial DD = Q present / Q initial

여기에서 DD는 배터리(1)의 성능저하 정도를 나타내고, Q present 는 뉴럴네트워크 연산장치(47)에 의하여 또는 뉴럴네트워크 연산장치(47)에서 완전충전용량의 현재값을 나타내며, Q initial 는 배터리시스템에 미리 주어진 완전충전용량의 초기값을 나타낸다. Where DD represents a degradation degree of a battery (1), Q present denotes a present value of the full charge capacity in the neural network calculator 47 or the neural network calculator 47 by, Q initial is the battery system pre represents the initial value of the full charge capacity given to. 이러한 연산기능은 각 배터리의 성능저하 정도를 체크하고, 차량용 배터리의 교환시기를 결정하는데 유용하다. This operation is useful for checking the performance level of each battery, and determines the replacement timing of the on-vehicle battery.

(테스트 결과) (Test results)

본 실시예에 따른 뉴럴네트워크 연산장치를 이용하여 테스트될 다수의 배터리가 테스트되었다. A plurality of batteries to be tested by using a neural network calculator according to the present embodiment was tested. 이러한 테스트 결과는 다음과 같다. These test results are as follows:

테스트 시편으로서 9개의 차량용 리드 배터리가 적용되었고, 각각 27Ah의 초기완전충전용량을 가지며, 성능저하 정도는 서로 다르다. The nine-vehicle lead batteries were applied as test specimens, each having an initial charge capacity of 27Ah, the performance degradation degree are different from each other. 0.2CA의 방전조건하에서 단자전압이 완전충전상태에 대응하는 값으로부터 10.5V로 떨어질 때까지 방전을 실행한 조건에서 검출될 전류적분에 의하여 얻어진 전류전분값의 형태로 현재의 각 배터리의 완전충전용량이 측정된다. Charge capacity of each of the current in the form of current obtained by the current integral is detected in executing the discharge until such time as 10.5V condition from a value corresponding to the terminal voltage under the discharge condition of 0.2CA in the fully charged state, the battery value Starch this is measured. 앞의 조건하에서 방전되는 이들 배터리는 차량용 뉴럴네트워크 연산장치로 연결되고, 뉴럴네트워크 연산장치가 완전충전용량을 추정하도록 실행되는 10.15주행 모드하에서 차량의 주행이 이루어진다. These batteries are discharged under the previous conditions are made the running of the vehicle under the 10.15 running mode executed is connected to the vehicle neural network calculator, the neural network calculator to estimate a full charge capacity. 또한 개로전압(Vo) 및 내부저항(R)을 검출하기 위한 소정 전력량은 완전충전상태로부터 소비되는 5.0Ah이다. In addition, a predetermined amount of power to detect the open-circuit voltage (Vo) and the internal resistance (R) is 5.0Ah consumed from the fully charged state. 전압 및 전류 이력(Vi, Ii)의 데이터는 뉴럴네트워크연산 직전에 소정기간 동안 일정간격으로 샘플링된 5 쌍의 전압 및 전류이다. Data of the voltage and current history (Vi, Ii) are the five pairs of voltage and current sampled at intervals during a predetermined period just before the neural network calculation. 주행중에 완전충전을 결정한 이후, 각 배터리에 대한 완전충전용량을 검출하는 오차는 5.0Ah의 방전 완료로부터 주행 종결부까지 경과 한 기간 동안에 필요로 되는 데이터를 이용하여 추정된다. After determining the full charge while driving, an error detecting the full charge capacity of each battery is estimated by using the data that is needed during the period that has elapsed up to the running end portion from the discharge completion of 5.0Ah. 이러한 오차는 평균값으로 표현되고, 테이블1에서와 같이 나타난다. This error is represented as an average value, when, as shown in Table 1.

(테이블1) (Table 1)

테스트 시편 No.1 완전충전용량 18.2Ah Test specimens No.1 full charge capacity 18.2Ah

검출오차 2.3Ah Detection error 2.3Ah

테스트 시편 No.2 완전충전용량 21.8Ah Test piece No.2 full charge capacity 21.8Ah

검출오차 0.6Ah Detection error 0.6Ah

테스트 시편 No.3 완전충전용량 10.5Ah Test specimens No.3 full charge capacity 10.5Ah

검출오차 0.6Ah Detection error 0.6Ah

테스트 시편 No.4 완전충전용량 10.0Ah Test piece No.4 full charge capacity 10.0Ah

검출오차 0.1Ah Detection error 0.1Ah

테스트 시편 No.5 완전충전용량 18.3Ah Test piece No.5 full charge capacity 18.3Ah

검출오차 2.1Ah Detection error 2.1Ah

테스트 시편 No.6 완전충전용량 21.2Ah Test piece No.6 full charge capacity 21.2Ah

검출오차 1.2Ah Detection error 1.2Ah

테스트 시편 No.7 완전충전용량 24.3Ah Test piece No.7 full charge capacity 24.3Ah

검출오차 3.4Ah Detection error 3.4Ah

테스트 시편 No.8 완전충전용량 27.6Ah Test piece No.8 full charge capacity 27.6Ah

검출오차 0.2Ah Detection error 0.2Ah

테스트 시편 No.9 완전충전용량 25.1Ah Test specimens No.9 full charge capacity 25.1Ah

검출오차 3.3Ah Detection error 3.3Ah

또한 전압 및 전류 이력(Vi, Ii)가 입력파라미터로서 적용되지만 캘리브레이션 데이터(즉 앞의 개로전압(Vo)과 내부저항(R))은 적용되지 않은 조건에서 비교 테스트가 실행되었다. Also it applied as an input voltage and current history parameter (Vi, Ii), but the calibration data (i.e. open-circuit voltage of the front (Vo) and the internal resistance (R)) is a comparative test was performed in conditions that are not applicable. 앞과 동일한 다른 테스트 조건하에서, 상기 비교 테스트가 실행되고, 테스트 결과는 테이블2와 같이 요약된다. Under the same test conditions and the other in front, the comparison test is performed, the test results are summarized in Table 2.

(테이블2) (Table 2)

테스트 시편 No.1 완전충전용량 18.2Ah Test specimens No.1 full charge capacity 18.2Ah

검출오차 3.9Ah Detection error 3.9Ah

테스트 시편 No.2 완전충전용량 21.8Ah Test piece No.2 full charge capacity 21.8Ah

검출오차 2.8Ah Detection error 2.8Ah

테스트 시편 No.3 완전충전용량 10.5Ah Test specimens No.3 full charge capacity 10.5Ah

검출오차 5.4Ah Detection error 5.4Ah

테스트 시편 No.4 완전충전용량 10.0Ah Test piece No.4 full charge capacity 10.0Ah

검출오차 5.7Ah Detection error 5.7Ah

테스트 시편 No.5 완전충전용량 18.3Ah Test piece No.5 full charge capacity 18.3Ah

검출오차 4.4Ah Detection error 4.4Ah

테스트 시편 No.6 완전충전용량 21.2Ah Test piece No.6 full charge capacity 21.2Ah

검출오차 3.4Ah Detection error 3.4Ah

테스트 시편 No.7 완전충전용량 24.3Ah Test piece No.7 full charge capacity 24.3Ah

검출오차 1.7Ah Detection error 1.7Ah

테스트 시편 No.8 완전충전용량 27.6Ah Test piece No.8 full charge capacity 27.6Ah

검출오차 2.8Ah Detection error 2.8Ah

테스트 시편 No.9 완전충전용량 25.1Ah Test specimens No.9 full charge capacity 25.1Ah

검출오차 2.7Ah Detection error 2.7Ah

도39는 테이블1 및 2에서 요약된 앞의 검출오차의 그래프를 나타낸 것이다. Figure 39 shows a graph of a detected error in the preceding summary in Tables 1 and 2. 즉 입력데이터의 개수가 10편에서 12편(Vi = 편, Ii = 5편, R = 1편 및 Vo = 1편)으로 약간 증가되지만, 현재 예상되는 각 사용된 배터리의 완전충전용량은 크게 향상된 정확도로 계산될 수 있음을 알 수 있다. That is 12 pieces, the number of the input data from the 10 pieces slightly increased (Vi = Pt, Ii = 5 pieces, R = 1 piece, and Vo = 1 piece), but the full charge capacity of each of used batteries that are currently expected is significantly improved it can be seen that it can be calculated with accuracy. 또한 뉴럴네트워크연산을 통해 계산된 완전충전용량(Q)은 제조시 초기에 기억된 초기 완전충전용량에 대한 소정 퍼센트 이하로 되고, 배터리의 유용성이 없고 새로운 배터리로 교체되어야 하는 것을 제안한다. Also, the full charge capacity (Q) calculated by the neural network calculation is below a predetermined percentage to the initial full charge capacity stored in the initial time of manufacture, without the availability of battery proposes to be replaced with a new battery.

그런데 개로저압이 완전충전된 배터리로부터 소정 전력량의 방전에 응답하여 검출될 경우, 상기 소정 전력량은 현재의 완전충전전력으로부터 배터리의 최초 완전충전용량의 0 내지 30%의 방전에 대응하는 값으로 설정되는 것이 바람직하다. However, open-circuit case is detected in response to a discharge of a predetermined amount of power from a low pressure is fully charged battery, in which the predetermined amount of power is set from the present full charge power to the value corresponding to the first full zero to discharge 30% of the charge capacity of the battery it is desirable. 상기 소정 전력량은 2 내지 20%의 방전에 대응하는 값으로 설정되는 것이 바람직하 다. The predetermined amount of power and is preferably set to a value corresponding to a discharge of 2 to 20%. 구체적으로 상기 소정 전력량은 3 내지 10%의 방전에 대응하는 값이 보다 바람직하다. Specifically, the predetermined amount of power is more preferably a value corresponding to a discharge of 3 to 10%.

제4실시예에서, 상기 입력파라미터는 최소 전압 이력 데이터, 전류 이력 데이터, 소정 방전량에 응답하는 개로전압, 및 소정 방전량에 응답하는 내부저항을 포함한다. In a fourth embodiment, the input parameters include the internal resistance responsive to the voltage, and the predetermined discharge amount in response to the open-circuit to the minimum voltage history data, current history data, a predetermined discharge amount. 물론 배터리상태를 나타내는 다른 파라미터가 입력파라미터에 포함될 수 있다. Of course, other parameters indicating battery states may be included in the input parameters. 그러나 실제 이용 면에서, 뉴럴네트워크에 대한 연산량에서의 과도한 증가를 방지하는 것은 중요한 사안이다. However, it is an important issue for use in a real face, it prevents an excessive increase in the amount of calculation for neural network. 그러므로 앞의 최소의 입력파라미터에 다른 파라미터를 부가하는 것은 연산량이 그의 50% 범위내로 증가하도록 하는 것으로 그 확대는 제한된다. It is then added to the other parameters on the front of at least the input parameter is limited to the close-up that the amount of calculation is increased into his 50%.

(제6실시예) (Sixth embodiment)

도40 내지 도49를 참조하여 본 발명의 차량용 배터리시스템에 따른 제6실시예를 설명한다. See Figs. 40 to 49 by the present will be described a sixth embodiment according to the on-vehicle battery system of the invention.

본 실시예에 따른 차량용 배터리시스템은 결합계수가 입력파라미터에 좌우되는 그룹(group) 단위로 리스트화되는 복수의 메모리테이블(즉 매트릭스)을 이용하여 실행되는 뉴럴네트워크연산을 특징으로 한다. On-vehicle battery system according to this embodiment is characterized by the neural network calculation to be performed using a coupling factor with a plurality of memory table (that is matrix) is the list screen in a unit group (group) which is dependent on input parameters.

도40에 나타낸 바와 같이, 차량용 배터리시스템은 버퍼(38) 및 뉴럴네트워크 연산장치(57)를 갖는 배터리상태 검출장치(55)를 제공한다. As shown in Fig. 40, the on-vehicle battery system provides a buffer 38 and a neural network calculator 57, a battery state detector 55 with a. 이 회로에서, 전술한 여러 실시예에서 제안된 보정신호 발생장치는 포함하지 않는다. In this circuit, the correction signal generation proposed by the various embodiments described above the device is not included. 이러한 배터리상태 검출장치(55)는 예를 들면 전술한 바와 같이 기능적으로 구현되며, 이에 한정되지 않는다. This battery state detector 55, for example, be implemented in a functional, as described above, and the like.

전술한 방법과 동일 방법을 이용하여, 버퍼(38)는 전압(V) 및 전류(I) 쌍을 샘플링하고, 입력파라미터로서 뉴럴네트워크 연산장치(57)로 모두 제공되는 전압 이력 데이터(Vi)와 전류 이력 데이터(Ii) 뿐만 아니라 개로전압(Vo)을 생성하도록 샘플링된 데이터를 이용한다. Using the method described above in the same way, the buffer 38 is a voltage (V) and current (I) as an input parameter and sample the pair neural network calculator 57, voltage history data (Vi) provided both in the as well as the current history data (Ii) utilizes a sampled data to generate the open-circuit voltage (Vo). 또한 상기 전압 이력 데이터(Vi)와 전류 이력 데이터(Ii)는 앞서 설명한 바와 같이 평균전압(Va)과 평균전류(Ia) 쌍으로 대체될 수 있다. In addition, the voltage history data (Vi) and current history data (Ii) may be replaced by an average voltage (Va) and average current (Ia) pair, as described above. 또한 상기 개로전압(Vo) 대신에 배터리(1)의 내부저항(R)이 입력파라미터의 일부로서 이용될 수 있다. In addition, the internal resistance (R) of the battery (1) in place of the open-circuit voltage (Vo) may be used as part of the input parameters. 상기 개로전압(Vo)과 내부저항(R)은 전술한 바와 같은 동일 방식으로 얻을 수 있다. The open-circuit voltage (Vo) and the internal resistance (R) can be obtained in the same manner as described above.

상기 뉴널네트워크 연산장치(57)는 배터리(1)가 완전충전상태인지 여부를 결정하도록 실행되고, 뉴럴네트워크연산은 결합계수에 대하여 복수의 메모리테이블을 이용한다. The nyuneol network calculator 57 is executed to determine whether or not the battery 1 is fully charged state, the neural network calculation makes use of a plurality of memory tables for coupling coefficients. 상기 완전충전상태에 대한 결정은 전술한 제1실시예와 동일하다(도3 참조). The perfect crystal of the charge is the same as that of the aforementioned first embodiment (see Fig. 3). 상기 배터리(1)가 완전충전상태일 때 검출되는 개로전압은 전술한 바와 같이 Vo full 로 나타낸다. Open-circuit of the battery 1 is detected when the full charge voltage Vo full is indicated by, as described above.

상기 뉴럴네트워크 연산장치(57)에 의하여 완전충전상태에서 개로전압의 값Vo full 을 포함하는 범위의 입력파라미터에 기초하여 학습이 미리 이루어지고, 결합계수 메모리테이블이 상기 연산장치(57)에 설치된 또는 외부적으로 연결되는 메모리(M)로부터 선택된다. The neural network is a place previously learned by calculation based on the device 57 completely input parameters of a range of open-circuit in a charged state includes a value Vo full voltage by the, coupling-coefficient memory table or the installed in the calculator 57 It is selected from the external memory (M) is connected. 도41에 나타낸 바와 같이, 메모리는 개로전압Vo full 값에 의하여 좌우되어 결정되는, 즉 그 개로전압의 크기에 의하여 좌우되어 결정되는 매 전압범위A(내지 C)에 대하여 결합계수가 기록되는 복수의 결합계수 메모리테이블(T1 - T3)을 저장한다. As shown in Figure 41, the memory circuit voltage, which is dependent is determined by the Vo full value that is a multiple coupled factors are recorded with respect to the open-circuit every voltage range that is determined is influenced by the magnitude of the voltage A (to C) stores a - (T3 T1) coupling-coefficient memory table. 상기 결합계수 메모리테이블(T1 - T3)은 사전에 일대일 대응하는 각 전압 범위에 대하여 설정된다. The coupling-coefficient memory table (T1 - T3) are set for each voltage range of one-to-one correspondence in advance.

상기 각 메모리 테이블 TiDP 저장된 결합계수는 어떠한 전압 범위 내의 존재하는 개로전압Vo full 을 갖는 학습 배터리로부터 얻어진 입력파라미터를 기초로 하여 연산된 결합계수이다. Wherein each memory table is stored TiDP coefficient is a coefficient calculated on the basis of the input parameters obtained from a learning battery that has an open-circuit voltage Vo full in the presence of any voltage. 완전충전상태가 이제부터 구현되는 것으로 결정될 경우, 상기 뉴럴네트워크연산은 메모리 테이블에서의 결합계수를 갱신하지 않고 이루어진다. If it is determined that the full charge state is now implemented, the neural network calculation is made without updating the coefficient in a memory table.

도42는 입력층(201), 중간층(202) 및 출력층(203)을 갖는 뉴럴네트워크 연산장치(57)의 구성을 기능적으로 나타낸 도면으로, 이들 층의 셀은 앞서 설명한 바와 같은 유사한 방식으로 서로 상호 연결된다. 42 is a cross each other in a similar manner, such a view showing the configuration of the input layer 201, intermediate layer 202 and output layer 203, the neural network calculator 57 having the functionally, as cells of these layers are described above It is connected. 그러므로 상기 뉴럴네트워크 연산장치(57)는 제1실시예에서 설명한 바와 같이 입력층(201)의 입력셀에 주어진 전류 이력 데이터(Ii, Ii-1, ..., Ii-m), 전압 이력 데이터(Vi, Vi-1, ..., Vi-m), 및 개로전압(Vo)과 오차함수를 최소화하도록 갱신되는 결합계수(Wjk 및 Wk)의 입력파라미터를 이용하여 지정 방식의 뉴럴네트워크연산 실행할 수 있다. Therefore, the neural network calculator 57 is the current history data given to the input cells of the input layer 201 as described in the first embodiment (Ii, Ii-1, ..., Ii-m), voltage history data (Vi, Vi-1, ..., Vi-m), and the open-circuit voltage (Vo) and the error using the input parameters of the coupling factor (Wjk and Wk) is updated so as to minimize a function to execute the neural network calculator in the specified manner can. 상기 연산은 출력층(203)이 출력파라미터로서 예를 들면 SOC를 출력하도록 실행된다. The operation is executed to output the SOC, for example, as the output parameter output layer (203).

본 실시예에 따른 뉴럴네트워크연산은 버퍼(38)와 뉴럴네트워크 연산장치(57)에 의하여 상호 실행되는 도43과 관련하여 이루어진다. Neural network calculation according to the embodiment is made with respect to Figure 43, which are mutually performed by the buffer 38 and a neural network calculator 57.

먼저 차량이 주행을 시작할 경우, 전압 및 전류 이력 데이터(Vi 및 Ii)를 구성하는 전압(V)과 전류(I) 쌍은 버퍼(38)로 입력되고, 개로전압(Vo)은 버퍼(38)에 서 연산되며, 이들 데이터는 입력파라미터로서 뉴럴네트워크 연산장치(57)로 입력된다(단계 S61 내지 S63). First, when the vehicle is started to run, the voltage and current history data (Vi and Ii) to configure the voltage (V) and current (I) pair, which is input to the buffer 38, the open-circuit voltage (Vo) has a buffer (38) the stand is calculated, and these data are input as input parameters to the neural network calculator 57 (steps S61 to S63).

상기 연산장치(57)에서, 배터리(1)가 완전충전상태인지 여부를 결정한다(단계 S64). In the calculator 57, and a battery (1) determines whether or not the full charge state (step S64). 상기 배터리(1)가 완전충전된 것으로 결정될 경우, 개로전압Vo full If the battery 1 is determined to be fully charged, the open-circuit voltage Vo full 값에 의하여 좌우되는 결합계수 메모리 테이블(Ti)을 선택하도록 개로전압Vo full 이 연산된다(단계 S65, 도41 참조). The open-circuit voltage Vo full to select a coupling-coefficient memory table (Ti) which is influenced by the value is calculated (see step S65, FIG. 41). 즉 개로전압Vo full 의 연산값이 전압범위 A 내지 C로 떨어졌는지 결정한 다음, 연산된 전압값에 대응하는 결합계수 메모리 테이블(Ti)이 자동적으로 지정된다. That is the open-circuit voltage Vo determined by the calculated value of the full voltage falls within the range A to C, and then coupling-coefficient memory table (Ti) corresponding to the calculated voltage value is automatically specified. 그러므로 지정된 결합계수 메모리 테이블(Ti)에 저장된 결합계수가 읽혀진다. Therefore, the coupling coefficient stored in the specified coupling-coefficient memory table (Ti) is read.

그런 다음 상기 뉴럴네트워크 연산장치(57)는 배터리의 충전율을 나타내는 SOC(충전상태)를 추정하도록 읽어들인 결합계수에서 뉴럴네트워크연산을 실행한다. Then, the neural network calculator 57 performs neural network calculation on the read coefficient to estimate the SOC (state of charge) showing a charging rate of the battery. 이후 결과적인 SOC의 데이터는 출력파라미터로서 뉴럴네트워크 연산장치(57)로부터 예를 들면 발전기 제어유닛(6)으로 출력된다. Since data of the resultant SOC is output as a parameter, for example, from the neural network calculator 57 is output to the generator control unit 6.

앞에 나타낸 처리과정의 변형으로서, 내부저항 또는 어떤 다른 전기량이 뉴럴네트워크연산에서 이용되는 일군의 입력파라미터에 부가될 수 있다. A variation of the process shown in front, internal resistance, or any other electric charge can be added to the input parameters of the group to be used in neural network calculation. 이 경우 상기 내부저항(R) 또는 다른 전기량은 개로전압(Vo)과 함께 단계 S63에서 연산될 수 있다. In this case, the internal resistance (R), or other electric charge can be calculated in step S63 along with the open-circuit voltage (Vo).

또 다른 변형으로서 상기 SOC 대신에 배터리의 잔존용량을 나타내는 SOH(건전상태)가 적용될 수 있다. As well as the other variations SOH (healthy state) representing the remaining capacity of the battery in place of the SOC can be applied.

따라서 개로전압Vo full 의 분할 전압범위 A 내지 C에 의하여 좌우되는 복수의 충전/방전 패턴은 데이터 요구발송(shipping) 전에 앞의 뉴럴네트워크연산에서 학습처리를 통해 얻을 수 있다. Therefore, the open-circuit voltage divided voltage ranges A to a plurality of charge / discharge pattern that is influenced by the C Vo full is obtained through a learning process in front of the neural network calculation before sending a data request (shipping). 그러므로 그의 제조과정에서 발생되는 각 차량용 배터리의 성능에서의 부적절한 변동은 실세 주행 차량에서 정확하게 추정될 수 있다. Therefore, inappropriate variation in performance of each on-vehicle battery which is generated in the process of manufacturing can be accurately estimated in silse vehicle.

(테스트 결과) (Test results)

용량 및 성능저하 정도가 서로 다른 테스트될 15개의 배터리(차량용 리드 배터리)가 준비되고, 완전충전상태에서 개로전압Vo full Capacity and a degradation degree is ready to 15 battery (vehicle battery lid) be a different test, open-circuit voltage Vo full in the fully charged state, 값(크기)에 따라 세 그룹의 배터리로 분류하였다. According to the value (size) were divided into three groups of batteries. 제1 배터리그룹은 개로전압Vo full 이 12.1V 초과 12.4V 미만인 5개의 배터리로 구성되고, 제2 배터리그룹은 개로전압Vo full 이 12.4V 초과 12.8V 미만인 5개의 배터리로 구성되며, 제3 배터리그룹은 개로전압Vo full 이 12.8V 초과 13.2V 미만인 5개의 배터리로 구성된다. The first battery group are the open-circuit voltage Vo full is composed of five batteries less than 12.1V 12.4V, the second battery group are the open-circuit voltage Vo full and is composed of five batteries less than 12.4V 12.8V, the third battery group is the open-circuit voltage Vo full is composed of five batteries exceeds 12.8V 13.2V less.

상기 각 배터리는 동일 차량에 교대로 장착되고, 10.15 주행모드에서 전류(I) 및 단자전압(V)의 측정이 이루어진다. Each of the battery is made to measure the current (I) and terminal voltage (V) from being mounted alternately on the same vehicle, the 10.15 running mode. 그런 다음 측정을 이용하여 개로전압(Vo)이 연산된다. Such a voltage, and then using the measured open-circuit (Vo) is calculated. 이후 SOC는 전술한 뉴럴네트워크연산을 통해 연산되고, 결합계수 메모리 테이블이 그룹별로 생성되어 3개의 결합계수 메모리 테이블이 얻어지며, 뉴럴네트워크연산을 위한 결합계수가 그룹별로 기록된다. Since SOC is calculated through the foregoing neural network calculation, it is generated by the coupling-coefficient memory table group is obtained the three coupling-coefficient memory table, are recorded by the coupling coefficient for the neural network calculator group.

다음으로 3개의 결합계수 메모리 테이블을 가지며, 충전/방전 패턴을 학습한 뉴널네트워크 연산장치를 이용하여, SOC의 값을 간출하도록 다른 성능저하된 배터 리들이 적용되고, 전류적분방식에서 연산된 결과적인 SOC 값과 SOC 참값 간의 비교가 이루어진다. Next, it has three coupling-coefficient memory table, by using the learned the charge / discharge pattern nyuneol network calculator, other degraded batteries Riddle to ganchul the value of the SOC is applied, calculated on the current integration method resulting the comparison of the SOC value and the SOC true values ​​is made. 상기 테스트 결과를 도44 내지 도46에 나타내었다. The test results are shown in Figure 44 to 46.

도44는 개로전압Vo full 이 12.25V인 배터리로부터 얻어진 SOC의 연산된(측정된) 결과를 나타낸 그래프이고, 상기 결과는 제1배터리 그룹에 의하여 주어진 충전/방전 패턴을 학습한 결합계수를 갖는 제1결합계수 메모리 테이블의 이용으로 연산된다. Claim 44 is the open-circuit voltage Vo with the full and showing the calculated (measured) results of the SOC obtained from the graph 12.25V the battery, the results are combined by learning a given charge / discharge patterns by the first battery group coefficient It is calculated by using the first coefficient memory table. 도45는 개로전압Vo full 이 12.6V인 배터리로부터 얻어진 SOC의 연산된(측정된) 결과를 나타낸 그래프이고, 상기 결과는 제2배터리 그룹에 의하여 주어진 충전/방전 패턴을 학습한 결합계수를 갖는 제2결합계수 메모리 테이블의 이용으로 연산된다. Claim 45 is the open-circuit voltage Vo with the full and showing the calculated (measured) results of the SOC obtained from the graph of 12.6V battery, the results are combined by learning a given charge / discharge pattern by the second battery group coefficient 2 is calculated by the use of coupling-coefficient memory table. 도46은 개로전압Vo full 이 12.9V인 배터리로부터 얻어진 SOC의 연산된(측정된) 결과를 나타낸 그래프이고, 상기 결과는 제3배터리 그룹에 의하여 주어진 충전/방전 패턴을 학습한 결합계수를 갖는 제3결합계수 메모리 테이블의 이용으로 연산된다. Claim 46 is the open-circuit voltage Vo full is a graph showing the calculated (measured) results of the SOC obtained from a battery of 12.9V, the results with the given charge / discharge pattern coefficient learned by the third battery group 3 is calculated by the use of coupling-coefficient memory table.

비교 테스트 또한 실행된다. Comparative tests are also performed. 앞의 15개의 배터리(차량용 리드 배터리)는 동일 차량에 교대로 장착되고, 전류데이터(I) 및 단자전압 데이터(V) 모두 측정되며, 차량의 10.15모드에서의 주행동안에 개로전압(Vo)이 연산된다. The preceding 15 battery (vehicle lead batteries) are mounted alternately on the same vehicle, the current data (I) and terminal voltage data (V) are both measured, the open-circuit during the running voltage (Vo) at the 10.15 mode, the operation of the vehicle do. 상기 측정된 값 및 연산된 값은 앞의 뉴럴네트워크연산에 적용된다. The measured value and the calculated value is applied to the neural network calculation in front. 그런 다음 앞의 뉴럴네트워크연산을 통해 SOC가 연산되고, 하나의 결합계수 메모리 테이블이 생성된다. Then, the SOC is calculated through the front of the neural network calculator, and generates a single coupling-coefficient memory table. 결합계수 메모리 테이블을 가지며 충전/방전 패턴을 학습한 뉴럴네트워크 연산장치를 이용함으로써, 다른 사용된 배터리가 SOC 값을 연산하도록 적용되고, 전류적분방식에서 연산된 결과적인 SOC값과 SOC 참값 간의 비교가 이루어진다. By using the coefficient memory has a table, the charge / discharge of learning patterns neural network calculator, a comparison between the resultant SOC values ​​and the SOC true values ​​calculated by another with a battery and applied to calculate the SOC value, in the current integration method achieved. 개로전압Vo full 이 12.25V, 12.6V 및 12.9V인 배터리의 연산된 결과가 각각 제공되는 결과는 도47 내지 도49에 나타내었다. Open-circuit voltage Vo full were the results are shown in Figure 47 to 49 each provided that the result of the operation of the battery 12.25V, 12.6V and 12.9V.

앞의 테스트 결과는 개로전압Vo full 의 크기에 의하여 좌우되어 그룹지어지는 복수의 결합계수 테이블에 기인하며, SOC의 연산 정확도는 대폭 향상될 수 있음을 알 수 있다. In front of a test result is the open-circuit voltage Vo full is influenced by the size of the group due to the plurality of coupling-coefficient table to be built, and operation accuracy of the SOC can be seen that significantly improved.

변형예로서, 개로전압Vo full Alternatively, the open-circuit voltage Vo full 대신에, 완전충전된 배터리로부터 소정 전력량의 방전에 응답하여 검출된 개로전압(Vo)을 이용할 수 있다. Instead, it is possible to use the open-circuit voltage (Vo) detected in response to discharge of a predetermined amount of power from a charged battery. 이 경우, 개로전압(Vo)의 크기에 좌우되어 복수개의 결합계수 메모리 테이블은 전술한 바와 유사하게 설정된다. In this case, depending upon the size of the open-circuit voltage (Vo) memory table a plurality of coupling coefficient is set to be similar to that described above. 배터리의 내부저항(R)은 전압Vo full The internal resistance (R) of the battery voltage Vo full 대신에 단독으로 이용될 수 있다. Instead it may be used alone to. 상기 개로전압(Vo) 및 내부저항(R)의 조합이 전압Vo full 를 대신하여 이용될 수 있다. The combination of the open-circuit voltage (Vo) and the internal resistance (R) may be used in place of the voltage Vo full.

또한 개로전압Vo full 을 설정하는 방법에 관한 변형 예를 제공한다. In addition, dogs and provides a variation of a method for setting the voltage Vo full. 앞의 실시예에서는 개로전압Vo full 및/또는 내부저항(R)의 극성 영향에 대한 고려는 없었다. There was no consideration for the influence of the polarity in the preceding embodiments the open-circuit voltage Vo full and / or the internal resistance (R). 그 대신 상기 개로전압Vo full 및/또는 내부저항(R)은 그의 값이 극성전압의 영향을 고려하여 감소하는 것으로 결정될 수 있다. Instead, the voltage Vo full and / or inside the open-circuit resistance (R) may be determined by considering the effect of reducing the value of its positive voltage. 결과적인 개로전압Vo full 및/또는 내부저항(R)은 기억테이블에 결합계수를 각각 할당하기 위하여 유용하다. The resulting open-circuit voltage Vo full and / or the internal resistance (R) is useful to assign each of the coupling coefficient in the storage table.

다른 변형예로서, 전술한 전압(V), 개로전압(Vo) 및 내부저항(R)은 배터리가 완전충전일 때 얻어진 값에 관련한 비율로 대신할 수 있다. As another modification, the above-described voltage (V), open-circuit voltage (Vo) and the internal resistance (R) may be substituted at a rate relative to the value obtained when the battery is fully charged. 또한 다른 배터리들이 보다 최적의 형태로 상호 비교되기 때문에 효과적이고, 이에 따라 뉴럴네트워크 학 습에서의 배터리용량 및 배터리 충전상태의 연산의 불규칙성을 완화한다. And also effective because different batteries are mutually compared in more optimal form, thus mitigating the irregularity of the operation of the battery capacity and the battery charge state at the neural network learning.

(제7실시예) (Seventh embodiment)

도50 내지 도68을 참조하여, 본 발명의 차량용 배터리시스템에 따른 제7실시예를 설명한다. See Fig. 50 to Fig. 68, a description of a seventh embodiment according to the on-vehicle battery system of the present invention.

본 발명에 따른 차량용 배터리시스템은 연산부하가 증가하는 것을 방지하고, 회로사이즈가 증대되는 것을 방지하며, 차량용 배터리의 충전상태를 나타내는 하나 이사의 출력파라미터를 정확하게 검출할 수 있는 것에 특징이 있다. Vehicle battery system according to the invention prevents that the calculation load increases, and preventing the circuit size increases, is characterized in that one can accurately detect the output parameters of the directors representing the state of charge of the vehicle battery.

도50에 나타낸 바와 같이, 본 발명에 따른 차량용 배터리는 버퍼(48) 및 뉴럴네트워크 연산장치(67)는 포함하지만 제1 내지 제3실시예에서 채용된 보정신호 발생장치는 포함하지 않는 배터리상태 검출장치(65)를 제공한다. As shown in Fig. 50, vehicle battery according to the present invention, a buffer 48 and a neural network calculator 67 is included, but the first to third embodiments the correcting signal generator is that the battery state detection not include employed in Example It provides an apparatus (65). 상기 배터리상태 검출장치(65)는 예를 들면 마이크로컴퓨터, 메모리 및 다른 필요구성부품을 갖는 컴퓨터 시스템에 의하여 가능적으로 구현될 수 있다. The battery state detector 65 may be implemented as ever possible by a computer system having, for example a microcomputer, memory, and other necessary components.

상기 버퍼(48)는 다음의 다양한 방식의 처리과정을 실행하도록 구성된다. The buffer 48 is configured to execute the processing of the following various methods.

먼저 전술한 바와 유사하게, 상기 버퍼(48)는 전압(V) 및 전류(I) 쌍을 동시에 샘플링하고 샘플링된 데이터를 기억하도록 배터리(1)의 전압(단자전압)(V) 데이터와 전류센서(4)로부터 전류(I) 데이터를 실시간 일정간격으로 읽어들인다. First, similar to that described above, the buffer 48 is the voltage (terminal voltage) of the battery (1) to sample the voltage (V) and current (I) pair at the same time and stores the sampled data (V) data and the current sensor from 4 reads the current (I) data in real time, at intervals. 또한 상기 버퍼(48)는 이들 각 쌍의 전압(V) 및 전류(I)를 이용하여 평균전압(Va), 평균전류(Ia), 개로전압(Vo), 내부저항(R), 및 방전가능한 전류량을 나타내는 보정함수값f(Vo, R)을 포함하는 기능값 형태를 지정한다. In addition, the buffer 48 is available each of these pairs of the average voltage (Va) by the voltage (V) and current (I), the mean current (Ia), the open-circuit voltage (Vo), the internal resistance (R), and a discharge correlation function value that indicates the amount of current to specify the value of the function form, including f (Vo, R).

상기 평균전압(Vo)은 연산시간의 최종 간격에 걸친 배터리(1)의 전압(V)의 평균이고, 평균전류(Ia)는 연산시간의 최종 간격 동안 검출되는 배터리(1)에서 및 배터리(1)로부터의 충전 및 방전된 전류(I)의 평균이다. The average voltage (Vo) is the mean of the voltage (V) of the battery 1 over the last interval of operation time, the average current (Ia) from the battery 1 detected during the last interval of operation time and a battery (1 ) is the average of the charge and discharge current (I) from the. 이들 값(Va, Ia)은 전압(V)과 전류(I)의 데이터를 각각 공급하는 저역통과필터의 출력으로 될 수 있다. These values ​​(Va, Ia) may be the output of the low pass filter for supplying the data of the voltage (V) and current (I), respectively.

상기 개로전압(Vo)과 내부저항(R)은 상기 평균전압(Va)과 평균전류(Ia)가 2차원적으로 맵핑된(도51 참조) 2차원 맵을 이용하여 연산된다. The open-circuit voltage (Vo) and the internal resistance (R) is calculated using the two-dimensional map with (see Fig. 51) mapping is the average voltage (Va) and average current (Ia) in two dimensions. 각 쌍의 평균전압(Va)과 평균전류(Ia)는 선형근사식(LN)을 계산하도록 최소제곱법에서 연산된다. Average voltage (Va) of each pair and the average current (Ia) is calculated from the least square method to calculate a DI seonhyeonggeun (LN). 사기 근사식(LN)의 y절편 및 기울기는 배터리의 개로전압(Vo)과 내부저항(R)을 나타낸다. y-intercept and slope of the approximate expression fraud (LN) represents the open-circuit battery voltage (Vo) and the internal resistance (R). 그러므로 상기 선형근사식(L)에 기초하여 개로전압(Vo)과 내부저항(R)을 나타내는 데이터는 평균전압(Va)과 평균전류(Ia) 쌍이 입력될 때 매시간마다 연산된다. Therefore, data representing the seonhyeonggeun DI (L) to the open-circuit voltage (Vo) and the internal resistance (R) is based on the time average voltage (Va) and average current (Ia) pairs to be entered is calculated every hour.

또한 상기 버퍼(48)는 f(V o , R) = Vo·Vo/R = Pm의 식을 연산함으로써 보정함수값f(Vo, R)을 얻는다. In addition, the buffer 48 obtains the f (V o, R) = Vo · Vo / R = correlation function value calculated by the following equation Pm f (Vo, R). 그러므로 상기 값 Pm은 현재 배터리(1)의 방전가능한 전력량에 대한 포지티브 관계를 갖는 함수로 표현되는 전력을 나타낸다. Thus, the value Pm shows a power which is expressed as a function having a positive relationship to the amount of power dischargeable of the battery current (1).

또한 상기 버퍼(48)는 평균전압(Va)의 "완전충전율", 개로전압(Vo), 내부저항(R), 및 보정함수값f(Vo, R)을 각각 연산한다. Also calculates the buffer 48 is the "full charge rate", the open-circuit voltage (Vo), the internal resistance (R), and correlation function value f (Vo, R) of the average voltage (Va), respectively. 상기 "완전충전율"은 각각 물리양으로 제공되고, 배터리(1)의 완전충전상태에서 얻어진 값에 대하여 각 물리량의 현재값의 비율로서 정의된다. The "full charge rate" are provided with respective physical quantity, is defined as the ratio of the current value of each physical quantity relative to the value obtained in the fully charged state of the battery (1). 이러한 완전충전율은 배터리 성능저하 정도에 높은 보정을 가지며, 이에 따라 성능저하로 인한 각 배터리의 충전상태를 보정(측정)하기 위한 입력파라미터로 적절하다. The full charge rate is suitable as an input to compensation (measuring) the state of charge of each battery due to having a high degree of correction to the battery performance, and thus the performance deteriorates with parameters.

실질적으로 배터리(1)의 완전충전상태가 검출되는 최종 시점에서, 상기 버퍼 (48)는 최종 완전충전상태에서 추정될 평균전압(Va)을 나타내는 완전충전 평균전압(Vaf), 최종 완전충전상태에서 추정될 개로전압(Vo)을 나타내는 완전충전 개로전압(Vof), 완전충전상태에서 추정될 내부저항(R)을 나타내는 완전충전 내부저항(Rf), 및 완전충전상태에서 추정될 보정함수값f(Vo, R)을 나타내는 완전충전 보정함수값f(Vof, Rf)을 연산하고 기억한다. At the final time point is virtually a fully charged state of the battery 1 is detected, the buffer 48 is full-charge average voltage (Vaf) of the average voltage (Va) to be estimated at the last fully charged state, and the final complete in charge correlation function value is estimated from the full-charge open-circuit voltage (Vof) represents the voltage (Vo) pieces to be estimated, full-charge internal resistance (Rf) of the internal resistance (R) to be estimated from the fully charged state, and the fully charged state f ( calculating the Vo, R) full-charge correlation function value f (Vof, Rf represents a) and stores. 그런 다음, 이들 물리량 값을 메모리로부터 읽어내어 각각 현재 연산된 현재값과 비교한다. Then take the following, read the values ​​of these quantities from the memory is compared with the current value of the current operations, respectively. 즉 Va/Vaf, Vo/Vof, R/Rf, 및 (Vo·Vo/R)/(Vof·Vof/Rf)의 비율은 뉴럴네트워크 연산장치(67)에 대한 입력파라미터의 일부로서 추정된다. Ie, the ratio of Va / Vaf, Vo ​​/ Vof, R / Rf, and (Vo · Vo / R) / (Vof · Vof / Rf) are estimated as part of the input parameters to the neural network calculator 67. 그러므로 (Vo·Vo/R)/(Vof·Vof/Rf)의 비율은 전력비이다. Thus the ratio of (Vo · Vo / R) / (Vof · Vof / Rf) are power ratio.

상기 완전충전 평균전압(Vaf), 완전충전 개로전압(Vof), 완전충전 내부저항(Rf), 및 완전충전 보정함수값f(Vof, Rf)의 연산은 배터리(1)가 현재 완전충전상태인지 여부에 대한 결정을 포함한다. Operation of the full-charge average voltage (Vaf), full-charge open-circuit voltage (Vof), full-charge internal resistance (Rf), and full-charge correlation function value f (Vof, Rf) is that the battery 1 is now fully charged state, including a decision on whether or not. 이러한 결정은 제1시시예(도3 참조)에 설명한 것과 유사하게 실행된다. This determination is performed similarly to that described in the first example boring (see FIG. 3). 즉 도3의 전압(V) 및 전류(I)는 평균전압(Va) 및 평균전류(Ia)로 읽을 수 있다. I.e. the voltage (V) and current (I) of Figure 3 can be read as the average voltage (Va) and average current (Ia). 그러므로 평균전압(Va) 및 평균전류(Ia) 쌍은 그 각 쌍에 의하여 열겨된 좌표점이 2차원 맵에서 완전충전상태를 나타내는 소정 영역에 위치되는 결정에 적용된다. Therefore the average voltage (Va) and average current (Ia) pair is applied to the crystal is positioned at a predetermined region indicating the fully charged state in the two-dimensional map coordinate point yeolgyeo by that each pair. 이러한 결정조건이 충족될 때 계산되는 상기 평균전압(Va), 개로전압(Vo), 내부저항(R), 및 보정함수값f(Vo, R) = Vof·Vof/Rf는 완전충전 평균전압(Vaf), 완전충전 개로전압(Vof), 완전충전 내부저항(Rf), 및 완전충전 보정함수값f(Vof, Rf)에서 나타난다. This determination, which is calculated the average voltage (Va), the open-circuit voltage (Vo), the internal resistance (R), and correlation function value f (Vo, R) = Vof · Vof / Rf is fully charged the average voltage when the conditions are met ( shown in Vaf), full-charge open-circuit voltage (Vof), full-charge internal resistance (Rf), and full-charge correlation function value f (Vof, Rf).

이들 완전충전 관련 물리량은 메모리에 기억되고, 완전충전결정이 이루어질 때마다 갱신된다. The full-charge related physical quantities are stored in the memory is updated whenever a full charge determination.

도52는 배터리상태 검출장치(65(즉, 버퍼(48)와 연산장치(57))에 의하여 실행되는 처리과정을 나타낸 것이다. 상기 배터리충전 검출장치(65)는 전술한 바와 같이 필요한 처리를 위하여 전압(V) 및 전류(I) 데이터를 읽어들이고(단계 S71), 그런 다음 전술한 바와 같이 배터리(1)가 완전충전상태인지 여부를 결정한다(단계 S72). 이 결정이 긍정일 경우(단계 S72에서 예를 경우), 완전충전 개로전압(Vof), 완전충전 내부저항(Rf), 및 완전충전 보정함수값f(Vof, Rf) = Vof·Vof/Rf는 전술한 바와 같이 연산되고 갱신된다(단계 S73), 그런 다음 검출장치(65)에서의 처리과정은 단계 S74로 진행되는데, S74 단계는 사전 연산으로서, r1 = Va/Vaf, r2 = Vo/Vof, r3 = R/Rf, 및 r4 = (Vo·Vo/R)/(Vof·Vof/Rf)과 평균전류(Ia)는 5개의 입력파라미터로서 뉴럴네트워크 연산장치(67)로 제공되어, 이들 입력파라미터 52 is a battery state detector (65 (i. E., The buffer 48 and the processing unit (shows a processing procedure executed by the 57)). The battery charge detection device 65 to necessary processing, as described above voltage (V) and current (I) reads the data (step S71), then determines whether or not the battery 1 is fully charged state, as described above (step S72) if this the determination is affirmative (step If Yes in S72), full-charge open-circuit voltage (Vof), full-charge internal resistance (Rf), and full-charge correlation function value f (Vof, Rf) = Vof · Vof / Rf are calculated and updated, as described above (step S73), processing in then detecting device 65 proceeds to step S74, S74 step as the pre-operation, r1 = Va / Vaf, r2 = Vo / Vof, r3 = R / Rf, and r4 = (Vo · Vo / R) / is provided with (Vof · Vof / Rf) and the average current (Ia) is a neural network calculator 67 as five input parameters, these input parameters 응답하여, 상기 뉴럴네트워크 연산장치(67)는 배터리(1)의 충전율[%]을 나타내는 SOC과 관련한 출력파라미터를 위하여 소정의 뉴럴네트워크연산을 실행한다(단계 S75). 이와 같이 연산된(즉 계산된) SOC는 발전기 제어유닛(6)으로 출력된다(단계 S76). In response, the to the neural network calculator 67 performs a predetermined neural network calculation in order to an output parameter related to the SOC indicating the charge rate [%] of the battery 1 (step S75). The operation in this way (that is calculated a) SOC are outputted to the generator control unit 6 (step S76).

또한 적절히 선택되는 어떠한 다른 파라미터가 입력파라미터에 부가될 수 있다. It can also be any other parameters to be selected appropriately added to the input parameters.

상기 뉴럴네트워크 연산장치(67)의 동작은 지금까지 설명한 연산장치의 동작과 동일하다. Operation of the neural network calculator 67 is the same as the operation of the computing device described up to now. 즉 도53에 나타낸 바와 같이 연산장치(67)는 r1 = Va/Vaf, r2 = Vo/Vof, r3 = R/Rf, 및 r4 = (Vo·Vo/R)/(Vof·Vof/Rf)의 완전충전 관련 비율 및/또는 평균전류(Ia)로 구성된 입력파라미터를 제공받기 위한 입력셀을 구비한 입력층(201), 연산을 위한 중간층(202), 그로부터 출력파라미터로서 SOC가 제공되는 출 력층(203)을 기능적으로 제공한다. I.e., the arithmetic unit 67, as shown in Fig. 53 is r1 = Va / Vaf, r2 = Vo / Vof, r3 = R / Rf, and r4 = (Vo · Vo / R) / (Vof · Vof / Rf) full-charge related ratios and / or output ryeokcheung provided with a SOC as the average current (Ia) output parameter input cell of the input layer 201, intermediate layer 202 for calculation includes a therefrom for receiving the input parameters consisting of ( 203) provides the functional. 상기 비율 r4는 완전충전과 관련한 전력비율이다. The ratio r4 is a power ratio relating to a full charge.

변형예로서, 상기 출력파라미터는 잔존용량, 즉 방전가능한 현재용량을 나타내는 SOH로 이루어질 수 잇다. Alternatively, the output parameter is a piece be made of a SOH showing a residual capacity, i.e., dischargeable current capacity.

따라서 상기 뉴럴네트워크 연산장치(67)는 도6과 관련하여 설명한 바와 같이 차량용 배터리시스템의 탑재 이전에 여러 전형적 방식의 방전/충전 패턴을 학습할 수 있도록 할 수 있다. Therefore, the neural network calculator 67 may be to learn the discharge / charge pattern of the various methods, typically prior to mounting of the vehicle battery system as described in connection with FIG. 그 결과 각 차량용 배터리의 제조의 변화와 관계없이, 배터리는 차량 주행 동안에 뉴럴네트워크연산을 통해 정확하게 평가될 수 있다. As a result, no change in the manufacturing of each vehicle battery to the relationship, the battery can be estimated accurately by the neural network calculation during the running vehicle.

(테스트 결과) (Test results)

앞의 실시예들과 유사하게, 본 실시예에 따른 구성에 의하여 부여된 작용효과를 확인하기 위한 테스트가 실행되었다. In analogy with the preceding embodiment, the test was carried out to confirm the action and effect given by the configuration according to this embodiment.

용량 및 성능저하 정도가 서로 다른 5개의 배터리 A 내지 E를 준비한다(도54 참조). And the capacity and performance degradation of preparing five different batteries A to E (see Fig. 54). 이들 배터리 A 내지 E는 10.15모드 주행 동안에 전류 및 단자전압의 측정, 뉴럴네트워크 연산에 대하여 앞의 5개의 입력파라미터의 연산, 및 SOC의 참값으로서 제공된 목표출력을 갖는 학습(전류적분값으로서 연산됨)에 적용된다. These batteries A to E learning with a target output given as a true value of the operation, and the SOC of the preceding five input parameters for the measurements, the neural network calculation of the current and the terminal voltage during the running 10.15 mode (calculated as a current integrated value) It is applied to.

그런 다음 상기 학습이 완료된 뉴럴네트워크 연산장치는 성능면에서 다양하게 성능저하된 추가적으로 테스트 될 사용된 배터리 각각의 SOC를 연산하도록 이용된다, 이러한 테스트 결과는 도55 내지 도60에 나타낸 전류적분값과 비교된다. Then, the neural network calculator which the learning is completed is used to calculate back the respective SOC used be variously a further test performance degradation in performance, these test results are compared with the current integrated values ​​shown in Fig. 55 to Fig. 60 do. 도55 내지 도57은 Va, Vo, R 및 (Vo·Vo/R)/(Vof·Vof/Rf)으로 구성되는 입력파라미터를 사용하여 각각 테스트될 3개의 배터리의 SOC를 나타낸 것이다. Figure 55 to Figure 57 shows the Va, Vo, R and (Vo · Vo / R) / SOC of three batteries to be tested, respectively, using the input parameter consisting of (Vof · Vof / Rf). 이에 반하여 도58 내지 도60은 Va, Vo, R 및 Ia로 구성되는 4개의 입력파라미터만을 사용하여, 즉 완전충전관련 전력비율 (Vo·Vo/R)/(Vof·Vof/Rf)은 사용하지 않은 각각 3개의 동일 배터리의 SOC를 나타낸 것이다. Thus by contrast Fig. 58 to Fig. 60 only four input parameters consisting of Va, Vo, R and Ia, that is the full charge related power ratio of (Vo · Vo / R) / (Vof · Vof / Rf) is not used that shows the SOC of the battery 3 of the same respectively. 두 그룹 간의 테스트된 결과의 비교로부터, 입력파라미터에 전력비율만이 부가되는 것은 SOC 계산의 정확도를 크게 향상시킬 수 있다는 것을 알 수 있다. From the comparison of the test results between the two groups, but are only the power ratio is added to the input parameters can be seen that it is possible to significantly improve the accuracy of the SOC calculation.

또한 다른 9개의 배터리 그룹(이들 중 하나는 새 배터리)이 Vo/Vof 및 SOC의 비율을 간의 관계를 테스트하도록 적용되었다. Also other nine battery group was adapted to test the relationship between the percentage of the (one of which is a new battery), the Vo / Vof and the SOC. 이 테스트 결과는 0.86의 보정을 나타내는 도61에 나타내었다. The test results are shown in Figure 61 showing the correction of 0.86. 또한 추가적으로 9개의 배터리의 다른 그룹(이들 중 하나는 새 배터리)이 (Vo·Vo/R)/(Vof·Vof/Rf)의 완전충전 전력비율 및 SOC 간의 보정을 테스트하도록 적용되었다. In addition, another group of further nine batteries (one of which is a new battery), the (Vo · Vo / R) / were applied to test the correct ratio between the full charge power and the SOC (Vof · Vof / Rf). 이들 테스트 결과는 도62에 나타내었으며, 0.93의 보정을 나타내었다. These test results are shown in Figure 62, showing the correction of 0.93. 도62의 결과로부터, 전술한 바와 같이 큰 보정을 갖는 앞의 전력비율을 입력파라미터에 대한 추가는 개로전압(Vo)만을 사용한 것과 비교하여 SOC 연산의 정확도를 상승시키는 것임을 알 수 있다. From the results of FIG. 62, added to the front of the power ratio to the input parameters having a larger correction as described above, it can be seen that as compared to using only the open-circuit voltage (Vo) to raise the accuracy of the SOC calculation.

(변형 예들) (Modified examples)

전술한 구성은 다음과 같이 변형될 수 있다. The above-described configuration can be modified as follows. 하드웨어 구성은 전술한 바와 동일하지만, 입력파라미터는 전술한 바와 다르다. Hardware structure is the same as described above, but the input parameters are different from previously described. 구체적으로 (Vo·Vo/R)/(Vof·Vof/Rf)의 완전충전관련 전력비율 대신에, Im = (Vm - Vo)/R으로 정의되는 완전추전관련 전력비율이 보정함수값f(Vo, R)으로서 제공된다. Specifically, (Vo · Vo / R) / (Vof · Vof / Rf) of the full, instead of charge related power ratio, Im = (Vm - Vo) / R complete chujeon associated power ratio is defined as the correlation function value f (Vo is provided as a, R). 이러한 전류 Im는 현재의 충전가능전류를 나타낸다. This current Im represents a current of the charging current is possible. 방전정지에서의 소정의 최종 전압인 전압 Vm은 10.5V로 설정된다. Predetermined end voltage Vm of the voltage in the discharge stop is set to be 10.5V. 방전정지전압 Vm과 충전가능전류 Im 간의 관계는 도51에 나타내었다. Relationship between the discharge stop voltage Vm and the chargeable current Im is shown in Figure 51.

다른 변형예로서, 함수값 f(Vo, R)은 다음과 같은 식으로 선형 전환될 수 있다. As another modification, the function value f (Vo, R) may be converted by the following linear expression.

f(Vo, R) = k1 × (Vm - Vo) + k2)/(R + k3). f (Vo, R) = k1 × (Vm - Vo) + k2) / (R + k3).

여기에서 k1 내지 k3는 상수이고, 바람직한 값으로서 k1은 1이고, k2 및 k3는 각각 0이다. Here, k1 to k3 are constants and, as a desired value and k1 is 1, k2 and k3 are 0, respectively. 이는 뉴럴네트워크연산을 보다 정확하게 할 수 있다. This may be more accurate neural network calculation.

또한 함수값 f(Vo, R)은 함수값 Vo·Vo/R을 갖는 보정을 구비하도록 설정될 수 있다. In addition, the function value f (Vo, R) may be set to have a correction function having the value Vo · Vo / R.

또한 함수값 f(Vo, R)은 다음과 같은 식으로 선형 전환될 수 있다. In addition, the function value f (Vo, R) may be converted by the following linear expression.

f(Vo, R) = k1 × ((Vo + k2) × (Vo + k2) + k3)/(R + k4). f (Vo, R) = k1 × ((Vo + k2) × (Vo + k2) + k3) / (R + k4).

k1 내지 k4는 상수이고, 바람직한 값으로서 k1은 1이고, k2 및 k4는 각각 0이다. And k1 to k4 are constants, as a preferable value is 1, and k1, k2 and k4 are 0, respectively. 이는 뉴럴네트워크연산을 보다 정확하게 할 수 있다. This may be more accurate neural network calculation.

(테스트 결과) (Test results)

전술한 바와 동일한 방법으로, 용량 및 성능저하 정도가 서로 다른 5개의 배터리 A 내지 E를 준비한다(도54 참조). In the same manner as described above, and the capacity and performance degradation of preparing five different batteries A to E (see Fig. 54). 이들 배터리 A 내지 E는 10.15모드 주행 동안에 전류 및 단자전압의 측정, 뉴럴네트워크 연산에 대하여 앞의 5개의 입력파라미터의 연산, 및 SOC의 참값으로서 제공된 목표 출력을 갖는 학습(전류적분값으로서 연산됨)에 적용된다. These batteries A to E learning with a target output given as a true value of the operation, and the SOC of the preceding five input parameters for the measurements, the neural network calculation of the current and the terminal voltage during the running 10.15 mode (calculated as a current integrated value) It is applied to.

그런 다음 상기 학습이 완료된 뉴럴네트워크 연산장치는 성능면에서 다양하게 성능저하된 추가적으로 테스트될 사용된 배터리 각각의 SOC를 연산하도록 이용된다, 이러한 테스트 결과는 도63 내지 도68에 나타낸 전류적분값과 비교된다. Then, the neural network calculator which the learning is completed is used to calculate back the respective SOC using variously be an additional test performance degradation in performance, these test results are compared with the current integrated values ​​shown in Fig. 63 to Fig. 68 do. 도 63 내지 도65는 Va, Vo, R 및 [(Vm - Vo)/R]/[(Vm -Vof)/Rf]으로 구성되는 입력파라미터를 사용하여 각각 테스트될 3개의 배터리의 SOC를 나타낸 것이다. Figure 63 to Figure 65 is Va, Vo, R and - shows the [(Vm Vo) / R] / [(Vm -Vof) / Rf] SOC of three batteries to be tested, respectively, using the input parameter consisting of . 이에 반하여 도66 내지 도68은 Va, Vo, R 및 Ia로 구성되는 4개의 입력파라미터만을 사용하여, 즉 완전충전관련 전류비율 [(Vm - Vo)/R]/[(Vm -Vof)/Rf]은 사용하지 않은 각각 3개의 동일 배터리의 SOC를 나타낸 것이다. In contrast to Fig. 66 to Fig. 68 only four input parameters consisting of Va, Vo, R and Ia, that is the full charge related current ratio [(Vm - Vo) / R] / [(Vm -Vof) / Rf ] is that illustrates an SOC of each battery three identical not used. 두 그룹 간의 테스트된 결과의 비교로부터, 입력파라미터에 전류비율만이 부가되는 것은 SOC 계산의 정확도를 크게 향상시킬 수 있다는 것을 알 수 있다. From the comparison of the test results between the two groups, but are only the current ratio is added to the input parameters can be seen that it is possible to significantly improve the accuracy of the SOC calculation.

또 다른 변형예로서는 [(Vm - Vo)/R]/[(Vm -Vof)/Rf] 및 (Vo·Vo/R)/(Vof·Vof/Rf)의 완전충전관련비율 모두를 입력파라미터에 병렬로 포함하는 것이다. Another modified example [(Vm - Vo) / R] / [(Vm -Vof) / Rf] and (Vo · Vo / R) / (Vof · Vof / Rf) in parallel to both the full charging rate to the associated input parameters It will be included as. 이러한 변형예에서, 입력파라미터와 SOC 간의 보정은 개로전압(Vo)과 내부저항(R) 중 하나 또는 모두가 입력파라미터로부터 생략될 수 있는 결과로부터 앞의 두 완전충전관련비율 중 하나만이 사용되는 경우보다 크게 상승될 수 있다. If in this modification, only one of the two previous full-charge related ratios from the results that can be omitted from one or the input parameters both of the compensation between the input parameters and the SOC is the open-circuit voltage (Vo) and the internal resistance (R) to be used there can be more greatly increased.

(제8실시예) (Eighth embodiment)

본 발명의 차량용 배터리시스템에 따른 제8실시예를 도69 내지 도93을 참조하여 설명한다. The eighth embodiment according to the on-vehicle battery system of the present invention will be described with reference to FIG 69 to FIG 93.

앞의 제7실시예와 유사하게, 본 실시예에 따른 차량용 배터리시스템은 연산부하가 증가하는 것을 방지하고, 회로사이즈가 증대되는 것을 방지하며, 차량용 배터리의 충전상태를 나타내는 하나 이사의 출력파라미터를 정확하게 검출할 수 있는 것에 특징이 있다. In analogy to the previous seventh embodiment, the on-vehicle battery system according to this embodiment prevents the calculation load increases, and preventing the circuit size increases, and the output parameters of a director representing the state of charge of the vehicle battery It is characterized in that can be accurately detected.

본 실시예에 따른 차량용 배터리시스템은 버퍼(58)와 뉴럴네트워크 연산장치 (77)를 갖는 배터리상태 검출장치(75)이 제공된 도69에서 나타낸 회로를 갖는다. Vehicle battery system has a buffer 58 and the battery state detector (75) having a neural network calculator 77 according to this embodiment has the circuit shown in Figure 69 is provided. 전술한 바와 유사하게, 배터리상태 검출장치(75)는 마이크로컴퓨터에서 기능적으로 처리됨으로써 달성될 수 있지만, 전술한 하드웨어 회로는 동일하게 이용될 수 있다. In analogy described above, the battery state detector 75 can be achieved by being functional processing in the microcomputer, the above-described hardware circuit can be equally used.

도70을 참조하여 버퍼(58)에 대한 동작을 설명한다. Refer to FIG. 70 to be described the operation of the buffer 58.

먼저 전술한 바와 유사하게, 상기 버퍼(48)는 전압(V) 및 전류(I) 쌍을 동시에 샘플링하고 샘플링된 데이터를 기억하도록 배터리(1)의 전압(단자전압)(V) 데이터와 전류센서(4)로부터의 전류(I) 데이터를 실시간 일정간격으로 읽어들인다(단계 S81). First, similar to that described above, the buffer 48 is the voltage (terminal voltage) of the battery (1) to sample the voltage (V) and current (I) pair at the same time and stores the sampled data (V) data and the current sensor 4 deulinda the current (I) from the data read in real time a predetermined interval (step S81). 그런 다음 최종 연산간격 동안 획득한 전압의 평균전압(Va), 개로전압(Vo), 내부저항(R), 및 최대방전(P = Vo·Vo /4R)에 대하여, 상기 버퍼(58)는 전압(V) 및 전류(I) 쌍의 데이터를 이용하여 각각 현재값 Vat, Vot, Rt 및 Pt를 연산한다. Then, a final operation the average voltage (Va) of the voltage obtained during the interval, open-circuit voltage (Vo), the internal resistance (R), and with respect to the maximum discharge (P = Vo · Vo / 4R), the buffer 58 is a voltage (V) and current (I) by using the data of the pair, respectively computing a present value Vat, Vot, Rt and Pt. 상기 개로전압(Vo) 및 내부저항(R)은 전술한 방법과 동일한 방법으로 연산된다. The open-circuit voltage (Vo) and the internal resistance (R) is calculated in the same manner as in the method described above.

상기 버퍼(58)는 완전충전된 배터리(1)가 소정 전력량(예를 들면 1.4Ah)을 방전하였는지 여부를 결정하다(단계 S83). The buffer 58 is fully charged battery (1) to determine whether or not to discharge a predetermined amount of power (for example, 1.4Ah) (step S83). 상기 배터리(1)로부터 소정 전력량의 방전이 참인 경우에만, 상기 버퍼(58)는 단계 S84로 진행하고, 단계 S82에서 연산된 현재값 Vat, Vot, Rt 및 Pt는 각각 소정 전력량의 방전에 응답하는 Vaf, Vof, Rf 및 Pf 값으로 설정된다. Only when the discharge of a predetermined amount of power is true from the battery (1), the buffer 58 proceeds to step S84, the current values ​​Vat, Vot, Rt and Pt calculated at step S82 are each responsive to a discharge of a predetermined amount of power Vaf, is set to Vof, Rf and Pf value. 즉 Vaf, Vof, Rf 및 Pf 각각은 소정 전력량의 방전에 각각 응답하는 평균전압 Va, 개로전압 Vo, 내부저항(R), 및 최대방전전력(P = Vo·Vo /4R)을 각각 나타낸다. That is, each Vaf, Vof, Rf and Pf respectively represent the average voltage Va, open-circuit voltage Vo, internal resistance (R), and the maximum discharge electric power (P = Vo · Vo / 4R), respectively in response to a discharge of a predetermined amount of power.

그런 다음 상기 버퍼(58)는 단계 S85로 진행되고, Vat/Vaf, Vot/V of, Rt/Rf 및 Pt/Pf의 열 형태의 비율이 뉴럴네트워크 연산장치(77)에 입력파라미터로서 연산된다. Then the buffer 58 proceeds to step S85, Vat / Vaf, Vot / V of, Rt / Rf and the rate of heat in the form of Pt / Pf are calculated as input parameters to the neural network calculator 77. 이후 상기 처리는 다음 쌍의 전압과 전류 데이터가 샘플링될 때 까지 정지된다. Then, the process is suspended until the next pair of voltage and current data is sampled. Vat/Vaf, Vot/Vof, Rt/Rf, 및 Pt/Pf의 비율은 각각 소정 전력량의 방전에 응답하여 얻어지는 값과 현재값에 관한 것으로 평균전압(Va)의 비율, 개로전압(Vo)의 비율, 내부저항(R)의 비율, 및 최대방전전력의 비율(P = Vo·Vo /4R)이다. Vat / Vaf, Vot / Vof, Rt / Rf, and the ratio of the ratio, the open-circuit voltage (Vo) of the average voltage (Va) to be on the value and the current value obtained by the ratio of Pt / Pf, in response to a discharge of a predetermined amount of power, respectively , the ratio, and the ratio of the maximum discharge electric power (P = Vo · Vo / 4R) of the internal resistance (R).

완전충전된 배처리(1)로부터 방전되는 소정 전력량은 버퍼(75)에 의하여 실행되는 도71에 나타낸 처리과정을 기초로 한다. A predetermined amount of power to be discharged from a charged-fold treatment (1) is based on the process shown in Fig. 71 executed by the buffer (75). 먼저 배터리(1)가 완전충전되었는지 여부를 결정하고(단계 S83), 전류적분값(Ah)은 배터리(1)가 현재 완전충전된 것으로 종결될 때 제로로 설정된다(단계 S83 2 ). First, a determination whether the battery 1 is fully charged (step S83), the current integral value (Ah) is a battery (1) is set to zero when the end to have been fully charged (step S83 2). 그런 다음 완전충전 이후 검출되는 충전/방전 전류를 적분하기 위한 처리과정은 Ah = Ah + △Ah를 연산함으로써 실행되며, 여기에서 △Ah는 처리 시에 응답하여 적분되는 현재 전류값이다(단계 S83 3 ). Then complete the processing for integrating charge / discharge current that is following detection charging is performed by calculating the Ah = Ah + △ Ah, where △ Ah is a present current value to be integrated in response to the during processing (step S83 3 ). 이후 전류적분값(Ah)(즉, 방전값)이 소정 문턱값(Ahth)에 도달하였는지 여부를 결정한다(단계 S83 4 ). And after the integrated current value (Ah) (i.e., the discharge value) of determining whether or not reach the predetermined threshold value (Ahth) (step S83 4). 상기 값 Ah가 문턱값(Ahth)에 도달한 것으로 결정될 경우, 상기 버퍼(58)는 완전충전상태로부터 소정의 전력량의 방전을 인식한다. When the value Ah is determined to have reached the threshold value (Ahth), the buffer 58 recognizes the discharge of the predetermined amount of power from a fully charged state.

앞의 결정을 위하여 이용되는 소정의 전력량은 현재에 구현되는 완전충전상태로부터 최초 완전충전용량의 5%의 방전에 응답하는 값으로 설정되는 것이 바람직하다. A predetermined amount of power used for the front of the crystal is preferably set to a value responsive to a discharge of 5% of the initial charge capacity from the fully charged state, which is implemented in the present. 그러나 이에 한정되지 않는다. However, it not limited to this. 본 발명에 의한 여러 실험은 어떠한 작은 전력량의 방전이라도 문턱값(Ahth)에 대한 참조로서 이용될 수 있다. Several experiments according to the present invention, even the discharge of any small amount of power can be used as a reference to a threshold value (Ahth).

배터리(1)의 완전충전상태를 결정하는 방법 및 개로전압(Vo)과 내부저항(R) 을 연산하는 방법은 전술한 방법과 동일하거나 유사하다. Method for calculating the method of determining the fully charged state of the battery 1 and the open-circuit voltage (Vo) and the internal resistance (R) is the same as or similar to the method described above.

도72는 Vat/Vaf, Vot/Vof, Rt/Rf, 및 Pt/Pf의 비율 데이터를 구성하는 입력파라미터를 제공받고, 배터리(1)의 충전상태량을 나타내는 SOC 및 SOH를 출력파라미터로서 제공하는 뉴럴네트워크 연산장치(77)의 기능적 구성을 나타낸 것이다. 72 is a neural provided as an output parameter an SOC and SOH indicating a charged state quantity of Vat / Vaf, Vot / Vof, Rt / Rf, and it has been provided with the input parameters constituting the ratio data of the Pt / Pf, the battery 1 It shows the functional configuration of the network processing unit (77). 상기 입력파라미터는 이들 4개의 비율에 한정되지 않으며, Vot/Vof, Rt/Rf, 및 Pt/Pf의 비율 중 적어도 하나 및 Vat/Vaf의 비율을 포함하는 파라미터로 이루어질 수 있다. The input parameters may be made of parameters including at least one and the ratio of Vat / Vaf of not limited to those four ratios, Vot / Vof, Rt / Rf, and the ratio of Pt / Pf.

상기 뉴럴네트워크 연산장치(77)의 동작은 전술한 연산장치의 동작과 동일하다(도6 참조). The operation of the neural network calculator 77 is the same as the operation of the above-described arithmetic unit (see Fig. 6).

이와 같이 SOC 또는 SOH의 보정을 갖는 평균전압(Va)의 비율에 부가하여, 배터리 성능저하의 높은 보정을 갖는 개로전압(Vo), 내부저항(R) 및 최대 방전전력(P)은 그 비율로서 뉴럴네트워크연산에 제공되도록 입력파라미터에 반영될 수 있다. Thus SOC or in addition to the ratio of the average voltage (Va) with a correction of the SOH, pieces having a high correction of battery performance degradation voltage (Vo), the internal resistance (R) and the maximum discharge electric power (P) is as the ratio It may be reflected in the input parameters to be provided to the neural network calculation. 따라서 상기 뉴럴네트워크연산은 배터리 성능저하를 고려할 수 있고, 출력파라미터를 정확하게 추정할 수 있다. Therefore, the neural network calculation can take into account the battery performance, it is possible to accurately estimate the output parameter.

상기 입력파라미터로 고려된 상기 비율은 개로전압(Vo), 내부저항(R) 및 최대 방전전력(P) 중에서 하나 또는 둘로 제한되지 않는다. The ratio considered as the input parameter is not one or two, from the limited open-circuit voltage (Vo), the internal resistance (R) and the maximum discharge electric power (P). 비율형태로 고려되는 것 이외의 나머지 양들은 상수로 곱해지거나 상수로 더해지거나 밸 수 있다. The remaining amount other than those contemplated in the ratio type can or valve or multiplied by a constant plus a constant.

(테스트 결과) (Test results)

도73에 나타낸 학습을 위한 배터리 A 내지 E는 소정의 충전 및 방전 패턴에서 동작되어(10.15 주행모드), 뉴럴네트워크 연산장치는 이들 배터리(A 내지 E)의 입력파라미터와 출력파라미터(SOC)간의 관계를 학습하였다. The relationship between those batteries A to E for learning shown in FIG. 73 is operating in a predetermined charge and discharge pattern (10.15 running mode), the neural network calculator are input parameters and the output parameter (SOC) of these batteries (A to E) It was learning. 상기 입력파라미터는 평균전압(Va), 개로전압(Vo), 내부저항(R), 및 최대방전전력(P = Vo·Vo /4R)이다. The input parameter is the average voltage (Va), the open-circuit voltage (Vo), the internal resistance (R), and the maximum discharge electric power (P = Vo · Vo / 4R).

도74, 도75 및 도76은 각 배터리(A 내지 E)에 대하여 개로전압(Vo)과 SOC 간의 관계, 내부저항(R)과 SOC 간의 관계, 및 최대방전력(P)과 SOC 간의 관계를 각각 나타낸 것이다. Figure 74, Figure 75 and Figure 76 are each the battery (A to E) on the open-circuit voltage relationship between (Vo) and the SOC with respect, the relationship between the internal resistance (R) and the SOC, and the relationship between the maximum room power (P) and SOC illustrate respectively.

또한 테스트될 3개의 배터리가 10.15 주행모드에서 소정의 충전 및 방전 패턴 하에서 동작되었다. Further three batteries to be tested were operating in the 10.15 running mode under the predetermined charge and discharge pattern. 평균전압(Va), 개로전압(Vo), 내부저항(R), 및 최대방전전력(P)은 테스트될 각 배터리에 대하여 얻어지고, 상기 얻어진 물리량은 학습된 뉴럴네트워크 연산장치에 입력파라미터로서 채용되어 연산장치는 SOC를 연산한다. Average voltage (Va), the open-circuit voltage (Vo), the internal resistance (R), and the maximum discharge electric power (P) is obtained for each battery to be tested, the resulting quantity is adopted as an input parameter to the trained neural network calculator the calculator calculates the SOC. 제1 내지 제3배터리로부터 SOC의 연산결과는 도77 내지 도79에 나타내었으며, 각각 SOC에 대하여 8.5%, 12.5%, 및 14.6%의 평균제곱오차를 나타내었다. First it showed the first to third operation results of the SOC from the battery 77 to 79, showing the mean square error of 8.5%, 12.5%, and 14.6% for each SOC.

전술한 바와 유사하게, 앞의 배터리(A 내지 E)는 10.15주행 모드에서 소정의 충전 및 방전 패턴하에서 동작되어, 뉴럴네트워크 연산장치는 각 배터리(A 내지 E)의 입력파라미터와 출력파라미터(SOC) 간의 관계를 학습하였다. Similar to that described above, in front of the battery (A to E) is operated under the predetermined charge and discharge pattern on the 10.15 running mode, the neural network calculator are input parameters and the output parameter (SOC) of each battery (A to E) the relationship was between the learning. 본 테스트에서, 상기 입력파라미터는 후술할 4개의 비율로 이루어진다. In this test, the input parameter is composed of four ratios to be described later.

실질적으로 매시간마다 각 배터리는 완전충전전력으로부터 소정 전력량을 방전하는 것임을 알 수 있기 때문에(즉 현재의 케이스의 경우, 최초 완전충전전력의 5%가 방전되는 것임, 즉 1.4Ah의 전력이 완전충전전력으로부터 방전됨), 평균전압(Va), 개로전압(Vo), 내부저항(R), 및 최대방전전력(P)의 값은 그의 기억을 위하여 Vaf, Vof, Rf 및 Pf로 기억된다. Substantially it is possible to see that discharge a predetermined amount of power from each battery is fully charged power every hour (that is, if the current case, the first full will be 5% of the charging power is being discharged, that is, the full charge power of the power 1.4Ah It is discharged from a), the value of the average voltage (Va), the open-circuit voltage (Vo), the internal resistance (R), and the maximum discharge electric power (P) is stored in Vaf, Vof, Rf and Pf for his memory. 그리고 평균전압(Va), 개로전압(Vo), 내부저항 (R), 및 최대방전전력(P)의 현재값(이번 시간에서 얻어진 값)은 뉴럴네트워크 연산장치에 대한 입력파라미터인 4개의 Vat/Vaf, Vot/Vof, Rt/Rf, 및 Pt/Pf의 비율을 연산하도록 이용된다. And the average voltage (Va), the open-circuit voltage (Vo), the current value (the value obtained at this time) of the internal resistance (R), and the maximum discharge electric power (P) is a four-input parameters for the neural network calculator Vat / Vaf, is used to calculate the ratio of Vot / Vof, Rt / Rf, and Pt / Pf. 이러한 연산장치는 입력파라미터에서 뉴럴네트워크연산의 SOC를 연산하였다. This calculator was calculating the SOC of the neural network calculation on the input parameters. 도80은 Vot/Vof의 비율과 SOC 간의 관계를 나타낸 것이고, 도81은 Rt/Rf의 비율과 SOC 간의 관계를 나타낸 것이고, 도82는 Pt/Pf의 비율과 SOC 간의 관계를 나타낸 것이다. 80 is Vot / Vof and the ratio would showing a relationship between the SOC, Fig. 81 will showing the relationship between the ratio and the SOC of Rt / Rf, Figure 82 shows the relationship between the SOC and the percentage of Pt / Pf. 각 비율을 SOC에 대하여 양호한 보정, 특히 Vot/Vof 및 Rt/Rf는 SOC에 대하여 높은 보정을 갖는 것을 이들 도면으로부터 알 수 있다. Good correction for each ratio the SOC, in particular Vot / Vof and Rt / Rf can be seen from these figures that it has a high correction to the SOC.

변형으로서, 앞의 비율 및 각 값들은 지정 상수로 곱해질 수 있다. As a variation, the percentage and each value of the front may be multiplied by a constant specified. 또한 지정 상수가 각 비율에 부가되거나 각 비율로부터 각각 뺄 수 있다. Additionally, the specified constant added to each ratio, or may be subtracted from each of the respective ratios.

또한 입력파라미터로서 제공되는 앞의 4개의 비율을 얻도록 10.15주행모드에서 소정의 충전 및 방전 패턴하의 학습에 테스트될 3개의 배터리가 적용된 다음, 이미 학습된 뉴럴네트워크 연산장치에 부여하였다. It was also given to the following three batteries to be tested in the learning under the predetermined charge and discharge pattern on the 10.15 running mode is applied so as to obtain a ratio of four front, that has already been learned neural network calculator that is provided as an input parameter. 이러한 연산장치는 SOC를 연산하도록 동작하게 된다. The computing device will then operate to calculate the SOC. 도83 내지 도85는 테스크 결과를 나타낸 것으로, 도83은 테스트된 제1배터리의 SOC 연산결과를 나타낸 것이고, 도84는 테스트된 제2배터리의 SOC 연산결과를 나타낸 것이며, 도85는 테스트된 제3배터리의 연산결과를 나타낸 것이다. The road to be 83 to shown the FIG. 85 is a task result, 83 will showing the SOC calculation result of the test the first battery 84 will showing the SOC calculation result of the test the second battery, 85 is a test the 3 shows the result of the operation of the battery. 테스트된 이들 제1 내지 제3배터리의 SOC의 연산에 대한 평균제곱오차는 가각 4.3%, 6.7% 및 3.9%이다. The mean square error for the operation of the testing of these first to third battery SOC is gagak 4.3%, 6.7% and 3.9%.

도83 내지 도85와 도77 내지 도79의 비교로부터 명확히 나타낸 바와 같이, 뉴럴네트워크연산에 대한 입력파라미터로서 Vat/Vaf, Vot/Vof, Rt/Rf, 및 Pt/Pf의 비율만의 이용으로 각 배터리의 SOC가 높은 정확도로 평가(즉 검출)될 수 있다. As it is clearly shown from 83 to comparison of Figure 85 and Figure 77 to Figure 79, with the use of only Vat / Vaf, Vot / Vof, Rt / Rf, and the ratio of Pt / Pf as the Input parameters for the neural network calculation, each the SOC of the battery can be evaluated (i.e., detected) with high accuracy. 즉 뉴럴네트워크연산을 복잡하게 하는 전압 및 전류 이력 데이터와 같이 많은 수의 입력파라미터(즉 입력데이터)의 이용을 필요로 하지 않는다. That is a large number of input parameters such as voltage and current history data that complicates the neural network calculation does not require the use of (i.e. input data). 그러므로 완전충전전력으로부터 소정 전력량의 방전에 응답하여 얻어지는 평균전압(Va), 개로전압(Vo), 내부저항(R), 및 최대방전전력(P)의 값은 현재값에 대한 참조값으로서 이용될 수 있다. Thus, the value of the average voltage (Va), the open-circuit voltage (Vo), the internal resistance (R), and the maximum discharge electric power (P) obtained in response to a discharge of a predetermined amount of power from the fully charged power can be used as a reference value for the current value have. 따라서 참조값에 대한 현재값의 비율은 입력파라미터에 대하여 적절한 것임을 알 수 있고, 데이터 수를 증가시키는 전압과 전류 이력 데이터를 이용할 필요가 없을 뿐만 아니라, SOC를 정확하게 연산할 수 있다. Therefore, the ratio of the current value for the reference value may be appropriate that it can be seen with respect to input parameters, as well as there is no need to use the voltage and current history data that increase the number of data and accurately calculate the SOC.

(제1변형예) (First Modification)

전술한 입력파라미터는 다음과 같이 변형될 수 있다. The aforementioned input parameters may be modified as follows. 전술한 실시예에서, 평균전압(Va)는 소정 전력량의 방전에 대한 비율 형태로 채용되지만, 이러한 평균전압은 그 평균전압(Va)의 비율을 사용하지 않는 경우에 오차의 증가가 크지 않기 때문에 그 자체 즉 비율로 되지 않는 그 자체를 이용할 수 있다. In the embodiment described above, the average voltage (Va) are, but employed in a ratio shapes for the discharge of a predetermined amount of power, due to this average voltage is not an increase in the error greater if you do not use the ratio of the average voltage (Va) that that itself can be used by itself not as a percentage.

또한 앞의 실시예에서 채용된 입력파라미터에 대하여, 평균전류(Ia)의 현재값 또는 Ia/If의 비율이 추가될 수 있으며, 여기에서 If는 완전충전전력으로부터 소정 전력량의 방전에 응답하여 얻어진 평균전류의 값이다. The average obtained for the input parameters employed in the previous embodiment, and the current value or a ratio of Ia / If the average current (Ia) can be added, where If, ​​in response to a discharge of a predetermined amount of power from the full charge power is the value of the current. 이러한 파라미터 구성에서, 오차에서의 추가적 감소를 이룰 수 있다. In this parameter configuration, it is possible to achieve a further reduction in the error.

연산부하량이 허용될 경우, 상기 입력파라미터는 검출(즉 계산) 오차에서의 큰 감소를 효과적으로 얻을 수 있는 전압 및 전류 이력 데이터를 포함할 수 있다. If the load operation is allowed, the input parameters may include voltage and current history data that may effectively obtain a large decrease in the detection (i.e. calculation) errors.

도86 내지 93을 참조하여 다른 변형예를 설명한다. Reference to Figure 86 to 93 will be described in another modified example.

이 변형예에서, 개로전압(Vo)는 다음의 식으로 보정된다. In this modification, the open-circuit voltage (Vo) is corrected by the following expression.

Vot′= Vot + αVof1 + β△Vox ... (10) Vot '= Vot + αVof1 + β △ Vox ... (10)

Vox = Vof1 - Vof2 ... (11) Vox = Vof1 - Vof2 ... (11)

여기에서 Vot는 입력파라미터로서 뉴럴네트워크 연산장치(77)에 입력될 보정 개로전압이고, Vot는 개로전압(Vo)의 현재값이고, α 및 β는 1보다 작은 계수이고, Vof1은 최종시점 완전충전전력으로부터 1Ah의 방전에 응답하여 얻어진(최초 완전충전용량의 5%에 대응) 개로전압(Vo)의 값이며, Vof2는 최종시점 완전충전전력으로부터 5Ah의 방전에 응답하여 얻어진(최초 완전충전용량의 25%에 대응) 개로전압(Vo)의 값이다. Here, Vot is a neural network calculator, and 77 is corrected open-circuit voltage to be input to, Vot is open-circuit, the current value of the voltage (Vo), α and β are small coefficient than the first as an input parameter, Vof1 is a final point, the full charge obtained in response to a discharge of 1Ah from the power and the value of (the first full corresponding to 5% of the charge capacity), the open-circuit voltage (Vo), Vof2 is the end point, full obtained in response to a discharge of 5Ah from charge electric power (the first full charge capacity is the value of the response) the open-circuit voltage (Vo) to 25%.

따라서 식(11)은 다음의 식으로 전개될 수 있다. Therefore, formula (11) can be deployed by the following formula.

Vot′= Vot + αVof1 + β(Vof1 - Vof2) Vot '= Vot + αVof1 + β (Vof1 - Vof2)

= Vot +(α + β)Vof1 - Vof2 ...(12) = Vot + (α + β) Vof1 - Vof2 ... (12)

즉 이 변형예에서 뉴럴네트워크 연산장치(77)에 적용될 개로전압(Vot′)은 개로전압(Vo)의 현재값과 완전충전전력으로부터 소정의 전력량의 방전에 응답하여 얻어진 개로전압(Vo)의 변수값(Vof1, Vof)의 선형함수를 구성한다. That is, in this modification, the open-circuit voltage (Vot ') applied to the neural network calculator 77 is open-circuit parameters of voltage (Vo) the current value and the full-circuit voltage (Vo) obtained in response to a discharge of a predetermined amount of power from the charging power of the It constitutes a linear function of the value (Vof1, Vof). 요약하면, 상기 개로전압(Vo)은 선형함수의 이용으로 보정되며, 그 결과 개로전압(Vo)과 SOC 간의 보정은 향상될 수 있다. In short, the open-circuit voltage (Vo) is corrected by the use of a linear function, the correction result between the open-circuit voltage (Vo) and the SOC can be improved. 예를 들어 도86은 테스트될 3개의 배터리의 개로전압(Vo)의 현재값과 그의 SOC 간의 보정을 나타낸 것이고, 도87은 이들 3개의 배터리의 보정된 개로전압(Vot′)값과 SOC 간의 보정을 나타낸 것이다. For example, Figure 86 will showing the current value and the correction between his SOC of the voltage (Vo) pieces of three batteries to be tested, 87 is a corrected open-circuit voltages of the three battery (Vot ') correction between the value and the SOC shows. 이들 도면 간의 비교로부터, 성능저하상태 및 테스트될 배터리의 초기 특성에서의 변동에 관계없이, 보정된 개로전압(Vot′)과 SOC 모두에서의 변동은 크게 방지될 수 있다. From the comparison between these figures, a degraded state, and variations in, regardless of variations in the initial characteristics of the battery, the corrected open-circuit voltage (Vot ') and the SOC to be tested it can be largely prevented.

도73에 나타낸 학습을 위한 배터리(A 내지 E)는 소정의 충전 및 방전 패턴에서 동작되어(10.15 주행모드에서), 뉴럴네트워크 연산장치는 이들 배터리(A 내지 E)의 입력파라미터와 출력파라미터 간의 관계를 학습한다. Battery for the study shown in Figure 73 (A to E) is operated at a predetermined charge and discharge pattern (on the 10.15 running mode), the neural network calculator is the relationship between the input parameters and output parameters of these batteries (A to E) to learn. 상기 입력파라미터는 전압과 전류 이력 데이터 및 개로전압(Vo)이다. The input parameters are the voltage and current history data, and the open-circuit voltage (Vo). 상기 전압 및 전류 데이터는 최종 소정 기간동안 일정 간격으로 샘플링된 전압 및 전류 쌍으로 구성된다. The voltage and current data is composed of pairs of voltage and current sampled at intervals during the last predetermined period.

이후 개로전압이 서로 다른 테스트될 또 다른 3개의 배터리가 10.15 주행모드에서 소정의 충전 및 방전 패턴과, 전압 및 전류 이력 데이터와 개로전압으로 구성되는 입력파라미터 하에서 동작된다. After the open-circuit voltage is operating under the input parameters are further three batteries to be different test consisting of a predetermined charge and discharge pattern, the voltage and current history data and the open-circuit voltage at the 10.15 running mode. 이들 입력파라미터는 이미 학습 완료된 뉴럴네트워크 연산장치로 제공되고, 상기 연산장치는 SOC를 계산하도록 동작된다. These input parameters are already available to the neural network calculator learning is completed, the operation device is operated to calculate the SOC. 이들 결과에 대해서는 테스트된 제1, 제2 및 제3배터리 각각의 SOC 연산의 결과를 나타내는 도88 내지 도90에 나타내었다. The test results are for the first, second and shown in FIG. 88 to FIG. 90 showing the results of each of the three battery SOC calculation. 이들 도면에서 나타낸 바와 같이 평균제곱오차는 각각 13.5%, 23.3% 및21.0%이다. Mean square error, as shown in these figures are 13.5%, 23.3% and 21.0%, respectively.

앞에서와 같이 동일한 방법에서, 앞의 배터리(A 내지 E)는 10.15주행모드에서 동일한 충전 및 방전패턴하에서 테스트되어 뉴럴네트워크 연산장치는 이들 배터리(A 내지 E)의 입력파라미터와 출력파라미터(SOC) 간의 관계를 학습한다. Between in the same way as the above, the battery (A to E) of the front is tested under the same charge and discharge pattern on the 10.15 running mode, the neural network calculator are input parameters and the output parameter (SOC) of these batteries (A to E) study the relationship. 상기 입력파라미터는 전압과 전류 이력 데이터 및 보정된 개로전압(Vot′)이다. The input parameters are the voltage and current history data and the corrected open-circuit voltage (Vot ').

실제로 보정된 개로전압(Vot′)이 획득되어 Vof1 및 Vof2을 부여한 완전충전전력으로부터 1Ah 및 5Ah의 방전량 각각에 응답하는 개로전압(Vo)이 새로운 개로전압으로 기억된다. In fact, the open-circuit voltage (Vot ') correction is obtained and stored as Vof1 and the open-circuit voltage (Vo) in response to the discharge amount of each of 1Ah and 5Ah new open-circuit voltage from the full charge power gave a Vof2. 이들 Vof1 및 Vof2 값은 선형의 보정된 개로전압(Vot′)을 연산하도록 개로전압(Vo)의 현재값(Vot)과 함께 이용된다. These Vof1 and Vof2 value is used, along with the current value (Vot) of the open-circuit voltage (Vo) so as to calculate a voltage (Vot ') of the corrected open-circuit linear. 결과적인 전압(Vot′) 및 전 압과 전류 이력 데이터는 뉴럴네트워크 연산장치에 제공되어 SOC를 추정한다. The resulting voltage (Vot ') and voltage and current history data are provided to the neural network calculator to estimate the SOC. 이러한 결과로서 테스트된 제1 내지 제3배터리의 SOC 연산결과를 각각 제공하는 도91 내지 도93에 나타내었다. These results are shown SOC calculation result of the test of the first to third battery in FIG. 91 to FIG. 93 to provide respectively a. 이들 도면에 나타낸 바와 같이, SOC 평가에서의 평균제곱오차는 각각 8.0%, 9.4% 및 8.1%이다. As shown in these figures, the mean square error of the SOC is evaluated, respectively 8.0%, 9.4% and 8.1%.

도91 내지 도93과 도88 내지 도90의 비교로부터 선형 보정함수를 갖는 개로전압(Vo)의 보정은 SOC의 뉴럴네트워크연산의 정확도를 보다 크게 향상시킬 수 있다. Figure 91 to Figure 93 and correction of the open-circuit voltage (Vo) with a linear correction function from the comparison of Fig. 88 to Fig. 90 can be further greatly improve the accuracy of the neural network calculation of the SOC.

다음과 같이 다른 변형예가 가능하다. Other variations are possible as follows. 선형 보정함수에 기초한 보정은 전술한 개로전압(Vo)에 한정되지 않으며, 이러한 방법은 내부저항(R) 및/또는 최대방전전력(P)에 대하여 적용될 수 있다. Correction based on the linear correction function is not limited to the voltage (Vo) the above-mentioned open-circuit, this method may be applied with respect to the internal resistance (R) and / or the maximum discharge electric power (P). 상기 보정된 값 R 및/또는 P는 입력파라미터로서 이용될 수 있다. The corrected values ​​R and / or P may be used as an input parameter.

또한 상기 전압 및/또는 전류 이력 데이터를 이용하는 것 대신에, 평균전압 및/또는 평균전류가 입력파라미터의 일부분으로서 채용될 수 있다. In addition, instead of using the voltage and / or current history data, and the average voltage and / or an average current may be employed as part of the input parameters.

다른 변형예로는 선형 보정함수를 결정하기 위하여 이용되는 다수의 개로전압과 관련된다. To another variant is associated with a plurality of open-circuit voltage is used to determine a linear correction function. 즉 다수의 개로전압은 항상 두 개로 한정되는 것은 아니고, 단일 개로전압이 적용되거나 셋 이상의 개로전압이 적용될 수 있다. That is a large number of open-circuit voltage is always not limited to two, a voltage is applied across the single pieces, or may be a voltage applied to three or more pieces.

다른 변형예로서, 상기 실시예들에서 전술한 비율에 기초한 보정 및 개로전압(Vo), 내부저항(R) 및 최대방전전력(P)에 대하여 조합 방식으로 상기 변형예에서 설명한 선형 보정함수에 기초한 보정 모두로부터의 파라미터를 이용한 것이며, 모두 각 배터리의 성능저하상태에 매우 밀접한 양이다. As another modification, the above-described correction based on the above-mentioned ratio in the Examples and the open-circuit voltage (Vo), the internal resistance (R) and the maximum discharge electric power based on the linear correction functions described in the modification example of a combination system with respect to (P) using parameters from the correction will both, both are very close to the amount of a degraded state of each battery.

또한 상기 개로전압(Vo), 내부저항(R) 및 최대방전전력(P)은 변형예에서 설명한 선형 함수 보정에 먼저 적용된 다음, 전체 또는 일부분으로서 실시예에서 설명한 비율에 기초한 입력파라미터를 생성하도록 처리되는 것으로 변형될 수 있다. Further processing to produce the input parameter based on the described ratio in the embodiment, as the open-circuit voltage (Vo), the internal resistance (R) and the maximum discharge electric power (P) is then applied first to the linear function correction described in the modification example, at least a portion to which may be modified.

앞의 실시예에서 다른 변형예로서, 입력파라미터의 일부인 전압(V) 및/또는 개로전압(Vo)는 함수로 선형 전환될 수 있다. As another modified example in the preceding embodiment, the part voltage (V) and / or the open-circuit voltage (Vo) in the input parameters may be linearly converted to a function. 예를 들면 상기 전압(V)은 K1 × V + K2로 전환될 수 있다. For example, the voltage (V) can be converted to K1 × V + K2. 여기에서 K1 및 K2는 각각 상수이다. Here, K1 and K2 are each a constant. 입력파라미터 V와 입력파라미터 K1 × V + K2 간의 차이에 의하여 발생되는 출력오차는 뉴럴네트워크연산을 통해 거의 제로로 쉽게 수렴될 수 있다. Output error caused by a difference between an input parameter V and an input parameter K1 × V + K2 can be easily converged to nearly zero through the neural network calculation.

이상에서 설명한 본 발명은 전술한 실시예 및 첨부된 도면에 의해 한정되는 것이 아니고, 본 발명의 기술적 사상을 벗어나지 않는 범위내에서 여러 가지 치환, 변형 및 변경이 가능함은 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 있어 명백할 것이다. The present invention described above is not limited by the embodiments described above and the accompanying drawings, various changes and modifications are possible within the scope and spirit of the present invention is usually in the art have the knowledge to those will be obvious.

이상에서 설명한 바와 같이, 뉴럴네트워크연산을 기초한 2차전지의 충전상태 검출에서 각 배터리의 충전 및 방전특성에서의 차이, 예를 들면 일시적 성능저하의 정도(순환 성능저하) 및/또는 배터리 방식의 차이에 관계없이 높은 정확도로 출력파라미터를 제공할 수 있는 효과가 있다. As described above, the difference in the charge and discharge characteristics of the battery in the charging state detection of the secondary battery based on a neural network calculation, for example, the degree of temporary degradation (cycle degradation) and / or differences in battery- there is an effect that it is possible to provide an output parameter with a high accuracy regardless of the.

또한 본 발명은 적은 입력파라미터로 출력파라미터를 제공할 수 있는 효과가 있다. In another aspect, the present invention is effective to provide an output parameter with less input parameters.

Claims (38)

  1. 배터리 시스템에 구비되는 2차 배터리의 현재 충전 상태를 검출하기 위한 뉴럴 네트워크 방식의 장치로서, An apparatus in a neural network system for detecting a present charged state of a secondary battery provided in the battery system,
    상기 배터리의 현재 동작 상태를 나타내는 전기신호를 검출하기 위한 검출 수단; Detection means for detecting an electrical signal that represents the current operating status of the battery;
    상기 전기신호를 이용하여, 상기 배터리의 내부 상태를 평가하는데 필요하며, 상기 배터리의 충전 및 방전 특성에서의 성능 저하에 관하여 상기 배터리의 현재 충전 상태의 캘리브레이션(calibration)을 반영하는 입력 파라미터를 생성하는 수단; Using the electrical signals, it is necessary to estimate the internal state of the battery, to generate the input parameter reflecting calibration (calibration) of the current state of charge of the battery with respect to degradation of the charge and discharge characteristics of the battery Way; And
    상기 입력 파라미터를 뉴럴 네트워크 연산에 적용하여 상기 배터리의 현재 충전 상태를 나타내는 출력 파라미터를 연산하기 위한 연산 수단 By applying the input parameter to neural network calculation calculating means for calculating the output parameter indicating the present charged state of the battery
    을 포함하는 것을 특징으로 하는 뉴럴 네트워크 방식의 검출 장치. Detection apparatus according to the neural network system comprising: a.
  2. 제1항에 있어서, According to claim 1,
    상기 전기신호는 소정 시간 동안 실시간으로 얻어진 배터리의 전압 및 전류이고, It said electric signal is a voltage and current of the battery obtained in real-time for a predetermined time,
    상기 입력 파라미터는 상기 배터리의 현재 동작 상태를 나타내는 제1 입력 파라미터와 상기 캘리브레이션를 반영하는 상기 배터리의 성능 저하 상태를 표시하는 제2 입력 파라미터로 이루어지며, The input parameter is composed of a second input parameter indicating the degraded state of the battery to reflect the kaelribeureyisyeonreul with a first input parameter indicating the current operating state of the battery,
    상기 생성 수단은 The generating means is
    상기 배터리의 전압과 전류 데이터에 기초하여 상기 제1 입력 파라미터를 연산하기 위한 제1 연산 수단, 및 First calculation means for on the basis of the voltage and current data of the battery to calculate the first input parameters, and
    완전 충전된 상기 배터리로부터의 소정 전력량의 방전에 응답하여 상기 제2 입력 파라미터를 연산하기 위한 제2 연산 수단을 포함하는 In response to a discharge of a predetermined amount of power from a fully charged the battery and a second calculating means for calculating the second input parameter
    것을 특징으로 하는 뉴럴 네트워크 방식의 검출 장치. Detection apparatus according to the neural network system, characterized in that.
  3. 제2항에 있어서, 3. The method of claim 2,
    상기 출력 파라미터 연산 수단은 The output parameter calculating means
    뉴럴 네트워크 연산 기술에 기초하여 상기 제1 및 제2 입력 파라미터 모두를 처리함으로써 상기 배터리의 현재 충전 상태를 나타내는 상기 출력 파라미터를 연산하도록 구성되는 것을 특징으로 하는 뉴럴 네트워크 방식의 검출 장치. By based on neural network calculation technique process both the first and the second input parameter detecting device according to the neural network system being configured to calculate the output parameter indicating the present charged state of the battery.
  4. 제3항에 있어서, 4. The method of claim 3,
    상기 제1 입력 파라미터는 The first input parameter is
    상기 소정 시간 동안 검출된 전압의 이력을 나타내는 데이터를 포함하는 것을 특징으로 하는 뉴럴 네트워크 방식의 검출 장치. Detection apparatus according to the neural network system comprises a data indicating the history of the voltage detected during the predetermined time.
  5. 제4항에 있어서, 5. The method of claim 4,
    상기 제1 입력 파라미터는 The first input parameter is
    상기 소정 시간 동안 검출된 전압과 전류 모두의 이력 데이터를 포함하는 것을 특징으로 하는 뉴럴 네트워크 방식의 검출 장치. Detection apparatus according to the neural network system comprising: a history data of all of the predetermined time while the detected voltage and current.
  6. 제5항에 있어서, 6. The method of claim 5,
    상기 제2 입력 파라미터 연산 수단은 The second input parameter calculating means includes
    최소제곱법에서의 근사식으로 상기 전압 이력 및 상기 전류 이력의 데이터를 연산하는 수단; It means for calculating the voltage history data and the current history into an approximate expression on a least squares method; And
    상기 근사식에 기초하여 상기 배터리의 개로 전압(open-circuit voltage)의 현재값 및 상기 배터리의 내부저항의 현재값 중 하나 이상을 연산하기 위한 수단 - 여기서, 상기 현재값의 둘다는 상기 제1 입력 파라미터에 포함됨 - 을 구비하며, Values ​​and means for calculating at least one of a current value of the internal resistance of the battery of the voltage (open-circuit voltage) pieces of the battery based on the approximate expression - both of the case, the current value is the first input includes a, - it is included in the parameters
    상기 출력 파라미터 연산 수단은 상기 전압 이력의 데이터, 상기 전류 이력의 데이터, 상기 개로 전압의 현재값, 및 상기 내부저항의 현재값 중 하나 이상으로 이루어지는 상기 제1 입력 파라미터와, 상기 제2 입력 파라미터를 이용하여 상기 출력 파라미터를 연산하도록 구성되는 And the output parameter calculating means is the first input parameter consisting of a current value of the data, the open-circuit voltage of the data, the current history of the voltage history, and one or more of the current value of the internal resistance, the second input parameter used in calculating the output parameter is configured to
    것을 특징으로 하는 뉴럴 네트워크 방식의 검출 장치. Detection apparatus according to the neural network system, characterized in that.
  7. 제3항에 있어서, 4. The method of claim 3,
    상기 배터리의 성능 저하 상태를 나타내는 상기 제2 입력 파라미터는 완전 충전된 상기 배터리로부터의 소정 전력량의 방전에 응답하여 검출된 상기 배터리의 개로 전압이며, The second input parameter indicating the degraded state of the battery is completely open-circuit voltage of the response to a discharge of a predetermined amount of power from the battery detected charging the battery,
    상기 배터리의 현재 충전 상태를 나타내는 상기 출력 파라미터는 상기 배터리의 충전 상태(state of charge: SOC)인 The output parameter indicating the present charged state of the battery charge state of the battery: the (state of charge SOC)
    것을 특징으로 하는 뉴럴 네트워크 방식의 검출 장치. Detection apparatus according to the neural network system, characterized in that.
  8. 제3항에 있어서, 4. The method of claim 3,
    상기 배터리의 성능 저하 상태를 나타내는 상기 제2 입력 파라미터는 상기 배터리가 완전 충전 상태일 때 검출된 상기 배터리의 개로 전압과 완전 충전된 상기 배터리로부터의 소정 전력량의 방전에 응답하여 검출된 배터리의 상기 개로 전압 간의 차이이며, The second input parameter is the battery is fully open-circuit of the battery detected when the charge voltage in the full in response to a discharge of a predetermined amount of power from the charging of the battery above the detected battery open-circuit indicating the degraded state of the battery The difference between the voltage,
    상기 배터리의 현재 충전 상태를 나타내는 상기 출력 파라미터는 상기 배터리의 충전 상태(SOC)인 The output parameter indicating the present charged state of the battery has a state of charge (SOC) of the battery
    것을 특징으로 하는 뉴럴 네트워크 방식의 검출 장치. Detection apparatus according to the neural network system, characterized in that.
  9. 제3항에 있어서, 4. The method of claim 3,
    상기 배터리의 성능 저하 상태를 나타내는 상기 제2 입력 파라미터는 ⅰ) 상기 배터리가 완전 충전 상태일 때 검출된 상기 배터리의 개로 전압과 완전 충전된 상기 배터리로부터의 소정 전력량의 방전에 응답하여 검출된 배터리의 상기 개로 전압 간의 차이, 및 ⅱ) 완전 충전된 상기 배터리로부터의 소정 전력량의 방전에 응답하여 검출된 상기 배터리의 개로 전압으로 구성되며, The second input parameter is ⅰ) the battery is fully charged state, when the detected above the battery open-circuit to the voltage and complete response to the discharge of a predetermined amount of power from the charging of the battery detected battery indicating the degraded state of the battery the difference between the open-circuit voltage, and ⅱ) in response to a discharge of a predetermined amount of power from a fully charged the battery is composed of the open-circuit voltage of the battery is detected,
    상기 배터리의 현재 충전 상태를 나타내는 상기 출력 파라미터는 상기 배터리의 충전 상태(SOC)인 The output parameter indicating the present charged state of the battery has a state of charge (SOC) of the battery
    것을 특징으로 하는 뉴럴 네트워크 방식의 검출 장치. Detection apparatus according to the neural network system, characterized in that.
  10. 제3항에 있어서, 4. The method of claim 3,
    상기 배터리의 성능 저하 상태를 나타내는 상기 제2 입력 파라미터는 완전 충전된 상기 배터리로부터의 소정 전력량의 방전에 응답하여 검출된 상기 배터리의 내부저항값이며, The second input parameter indicating the degraded state of the battery is the internal resistance of the battery in response to a discharge of a predetermined amount of power from a fully charged the battery is detected,
    상기 배터리의 현재 충전 상태를 나타내는 상기 출력 파라미터는 상기 배터리의 건전 상태(state of health: SOH)인 The output parameter indicating the present charged state of the battery is a healthy state of the battery: the (state of health SOH)
    것을 특징으로 하는 뉴럴 네트워크 방식의 검출 장치. Detection apparatus according to the neural network system, characterized in that.
  11. 제3항에 있어서, 4. The method of claim 3,
    상기 제2 입력 파라미터 연산 수단은 The second input parameter calculating means includes
    최소제곱법에서의 근사식으로 상기 전압 및 상기 전류 둘다의 이력의 데이터를 연산하는 수단; It means for calculating data of history of the voltage and the current into an approximate expression, both in the method of least squares; And
    상기 근사식에 기초하여 상기 배터리의 개로 전압(open-circuit voltage)의 현재값을 연산하기 위한 수단 - 여기서, 상기 현재값은 상기 제1 입력 파라미터에 포함됨 - 을 구비하며, Means for calculating the current value of the voltage (open-circuit voltage) of the battery open-circuit based on the approximate expression - includes a-case, the current value of the second parameter included in the first input
    상기 출력 파라미터 연산 수단은 상기 전압 이력의 데이터, 상기 전류 이력의 데이터, 상기 개로 전압의 현재값으로 이루어지는 상기 제1 입력 파라미터와, 상기 제2 입력 파라미터를 이용하여 상기 출력 파라미터를 연산하도록 구성되는 The output parameter calculating means is configured to calculate the output parameter by using the first input parameter and the second input parameter consisting of a current value of the data, the open-circuit voltage of the data and the current history of the voltage history
    것을 특징으로 하는 뉴럴 네트워크 방식의 검출 장치. Detection apparatus according to the neural network system, characterized in that.
  12. 제11항에 있어서, 12. The method of claim 11,
    상기 배터리의 성능 저하 상태를 나타내는 상기 제2 입력 파라미터는 완전 충전된 상기 배터리로부터의 소정 전력량의 방전에 응답하여 검출된 상기 배터리의 개로 전압 및 내부저항의 둘다인 것을 특징으로 하는 뉴럴 네트워크 방식의 검출 장치. The indicating the degraded state of the battery a second input parameter is the full charge is detected in the neural network system, characterized in that both of the voltage and the internal resistance open-circuit of the battery detected in response to discharge of a predetermined amount of power from the battery Device.
  13. 제12항에 있어서, 13. The method of claim 12,
    상기 현재 충전 상태를 나타내는 상기 출력 파라미터는 상기 배터리의 충전 상태(SOC), 상기 배터리의 건전 상태(SOH), 및 상기 충전 상태와 건전 상태를 나타내는 정보를 포함하는 변수의 함수 중 하나인 것을 특징으로 하는 뉴럴 네트워크 방식의 검출 장치. The output parameter indicating the present charged state is characterized in that one of the functions of the variable containing the information indicating the state of charge (SOC), the battery healthy state (SOH), and the state of charge and the sound state of the battery detection apparatus according to the neural network how.
  14. 제13항에 있어서, 14. The method of claim 13,
    상기 함수는 The function
    성능 저하 정도 = SOH /(초기 완전 충전 용량 × SOC) Degradation degree = SOH / (initial charge capacity × SOC)
    의 식으로 정의되는 상기 배터리의 성능 저하의 정도인 것을 특징으로 하는 뉴럴 네트워크 방식의 검출 장치. Defined by the expression of the detection device of the neural network system, characterized in that the degree of deterioration of the battery.
  15. 제13항에 있어서, 14. The method of claim 13,
    상기 출력 파라미터 연산 수단은 상기 SOC, 상기 개로 전압, 및 상기 내부저항을 뉴럴 네트워크 연산에 적용하여 상기 SOH가 연산되도록 구성되는 것을 특징으로 하는 뉴럴 네트워크 방식의 검출 장치. The output parameter calculating means is a detection device of the neural network system being configured so that the SOH is calculated by applying a voltage, and the internal resistance of the open-circuit the SOC, to neural network calculation.
  16. 제2항에 있어서, 3. The method of claim 2,
    상기 제1 입력 파라미터 연산 수단은 제공받은 상기 배터리의 전압과 전류의 데이터에 기초하여 전압 이력 데이터 및 전류 이력 데이터를 상기 제1 입력 파라미터로서 연산하도록 구성되고, The first input parameter calculating means is configured to calculate, as the first input parameter the voltage history data and current history data based on the voltage and current data of the battery provided,
    상기 제2 입력 파라미터 연산 수단은, 완전 충전된 상기 배터리로부터의 소정 전력량의 방전에 응답하여 상기 전압 이력 데이터 및 전류 이력 데이터의 둘다를 이용하여 상기 배터리의 개로 전압과 내부저항을 상기 제2 입력 파라미터로서 연산하도록 구성되며, The second input parameter calculating means is complete in response to a discharge of a predetermined amount of power from the charging of the battery using both the voltage history data and current history data, an open-circuit voltage and the internal resistance of the battery and the second type parameters It is configured to calculate a,
    상기 출력 파라미터 연산 수단은 상기 배터리가 현재 충전되는 경우 기대되는 상기 배터리의 완전 충전 용량을 나타내는 상기 출력 파라미터를 연산하도록 구성되는 The output parameter calculating means is configured to calculate the output parameter indicating a full charge capacity of the battery that is expected when the battery is now filled
    것을 특징으로 하는 뉴럴 네트워크 방식의 검출 장치. Detection apparatus according to the neural network system, characterized in that.
  17. 제16항에 있어서, 17. The method of claim 16,
    상기 제2 입력 파라미터 연산 수단은 최소제곱법을 이용하여 상기 전압 이력 데이터와 전류 이력 데이터의 둘다로부터 선형 근사식을 생성하고, 상기 선형 근사식을 이용하여 상기 개로 전압과 내부저항의 둘다를 연산하도록 구성되는 것을 특징으로 하는 뉴럴 네트워크 방식의 검출 장치. The second input parameter calculating means is to calculate the voltage history data and current generating a linear approximation equation from both of the historical data, and both of using the approximation of the linear equation voltage and internal resistance of the open-circuit by using the least square method detection apparatus according to the neural network system being configured.
  18. 제17항에 있어서, 18. The method of claim 17,
    DD = Q present / Q initial DD = Q present / Q initial
    의 식 - 여기서, 상기 DD는 상기 배터리의 성능 저하의 정도를 나타내고, Q present 는 상기 출력 파라미터 연산 수단에 의하여 계산된 완전 충전 용량의 현재값을 나타내며, Q initial 는 상기 배터리가 제조될 때 주어진 완전 충전 용량의 초기값을 나타냄 - 에 기초하여 상기 배터리의 성능 저하의 정도를 연산하기 위한 수단을 더 포함하는 것을 특징으로 하는 뉴럴 네트워크 방식의 검출 장치. Of the formula: - where the DD denotes a degree of degradation of the battery, Q present denotes a present value of the full charge capacity calculated by the output parameter calculating means, Q initial is given full when the battery prepared It represents the initial value of the charge capacity - the detection device of the neural network system according to claim 1, further comprising means for computing the degree of deterioration of the battery based on.
  19. 제1항에 있어서, According to claim 1,
    상기 전기신호는 소정 시간 동안 실시간으로 얻어진 상기 배터리의 전압 및 전류이고, It said electric signal is a voltage and current of the battery obtained in real-time for a predetermined time,
    상기 연산 수단은 ⅰ) 상기 입력 파라미터를 제공받는 입력층, ⅱ) 상기 입력 파라미터와 기록가능한 결합계수의 둘다를 이용하여 뉴럴 네트워크 연산을 실행하는 중간층 - 여기서, 상기 기록가능한 결합계수는 상기 입력층, 상기 중간층, 출력층을 상호간에 결합함 -, 및 ⅲ) 출력층을 구비하여 상기 배터리의 충전 상태를 나타내는 상기 출력 파라미터를 계산하고 상기 출력 파라미터가 상기 출력층으로부터 출력되도록 하는 뉴럴 네트워크를 포함하고, The calculation means is ⅰ) intermediate running the neural network calculation to the input parameter receiving layer, ⅱ provide) using both of the input parameters and the recordable coefficient - where the recordable coupling factor is the input layer, the middle layer, also combined with each other to output layer-by comprising a, and ⅲ) output layer, and calculating the output parameter indicating the charged state of the battery comprises a neural network which is the output parameter to be outputted from the output layer,
    상기 생성 수단은 The generating means is
    복수의 메모리 테이블 - 여기서, 상기 테이블의 각각에는 상기 결합계수가 저장되고, 상기 메모리 테이블에 저장된 결합계수는 테이블마다 서로 다르며, 상기 입력 파라미터에서 지정되며 상기 캘리브레이션을 반영하는 상기 배터리의 성능 저하 상태와 상관관계를 갖는 지정된 입력 파라미터의 특징의 분할 범위에 좌우됨 - 을 갖는 메모리; A plurality of memory table, - wherein each of the tables is stored is the coupling coefficient, the degraded state of the battery coupling coefficient stored in the memory tables are different from each other, each table is specified in the input parameter reflecting the calibration and depends on divided ranges of a characteristic of a specified input parameter having a correlation - which has a memory; And
    상기 지정된 입력 파라미터의 현재값에 응답하여 상기 복수의 메모리 테이블로로부터 하나의 메모리 테이블을 선택하여 그것에 저장된 상기 결합계수를 판독하는 선택 수단 - 여기서, 상기 지정된 결합계수는 상기 뉴럴 네트워크 연산에 제공됨 - 을 포함하는 Wherein in response to the current value of the input parameters selected by selecting one of the memory table from the plurality of in-memory tables read the coupling coefficient stored in it means-the-case, the specified coupling coefficients are supplied to the neural network calculator including
    것을 특징으로 하는 뉴럴 네트워크 방식의 검출 장치. Detection apparatus according to the neural network system, characterized in that.
  20. 제19항에 있어서, 20. The method of claim 19,
    상기 입력 파라미터는 상기 배터리의 전압 및 전류에서 계산되는 상기 배터리의, 전압 이력 데이터, 전류 이력 데이터, 및 개로 전압을 포함하며, Wherein the input parameters include the above-mentioned battery, voltage history data, current history data, and the open-circuit voltage is calculated from the voltage and current of the battery,
    상기 지정된 입력 파라미터는 상기 배터리가 완전 충전 상태일 때 얻어지는 배터리의 개로 전압인 것을 특징으로 하는 뉴럴 네트워크 방식의 검출 장치. The specified input parameter detecting device according to the neural network system, characterized in that the battery open-circuit voltage obtained when the battery is fully charged.
  21. 제19항에 있어서, 20. The method of claim 19,
    상기 입력 파라미터는 상기 배터리의 전압 및 전류에서 계산되는 상기 배터리의, 전압 이력 데이터, 전류 이력 데이터, 및 개로 전압을 포함하며, Wherein the input parameters include the above-mentioned battery, voltage history data, current history data, and the open-circuit voltage is calculated from the voltage and current of the battery,
    상기 지정된 입력 파라미터는 완전 충전된 상기 배터리로부터의 소정 전력량의 방출에 응답하여 얻어지는 상기 배터리의 개로 전압인 것을 특징으로 하는 뉴럴 네트워크 방식의 검출 장치. Wherein the input parameters are fully obtained in response to a discharge of a predetermined amount of power from the battery charging neural network system, it characterized in that the detecting device of the open-circuit voltage of the battery.
  22. 제20항에 있어서, 21. The method of claim 20,
    상기 배터리의 완전 충전 상태에 응답하는 상기 배터리의 개로 전압은 상기 전압의 크기에 따라 복수의 전압 범위로 분할되는 전압 특성을 가지며, Open-circuit voltage of the battery responsive to a full charge state of the battery has a voltage characteristic which is divided into plural voltage ranges depending on the size of the voltage,
    상기 메모리 테이블에 저장된 결합계수는 테이블마다 서로 다르며, 상기 배터리의 완전 충전 상태에 응답하여 상기 배터리의 개로 전압의 크기에 따라 좌우되는 것을 특징으로 하는 뉴럴 네트워크 방식의 검출 장치. The memory table stored in the coupling factor is different from one another for each table, the detection device of the neural network system, characterized in that in response to the fully charged state of the battery, which depends on the open-circuit voltage of the battery size.
  23. 제1항에 있어서, According to claim 1,
    상기 생성 수단은 The generating means is
    상기 배터리의 성능 저하의 상태 및 상기 배터리의 방식에서의 차이 - 여기서, 둘다는 캘리브레이션을 반영함 - 중 하나 이상에 기인하여 상기 배터리의 충전 및 방전 특성에 따라 좌우되어 캘리브레이션 되는 입력 파라미터를 생성하도록 구성되는 것을 특징으로 하는 뉴럴 네트워크 방식의 검출 장치. Difference in a degraded state and mode of the battery of the battery-arranged to produce the input parameter which is calibrated is dependent due to one or more of the charge and discharge characteristics of the battery - Here, both of which reflects the calibration detection apparatus according to the neural network system, characterized in that.
  24. 제23항에 있어서, 24. The method of claim 23,
    상기 입력 파라미터는 The input parameters are
    상기 배터리의 전압(V) 또는 비율 V/Vf - 여기서, Vf는 상기 배터리가 완전 충전 상태일 때 검출되는 배터리의 전압임 -, 상기 배터리의 개로 전압(Vo) 또는 비율 Vo/Vof - 여기서, 상기 Vof는 상기 배터리가 완전 충전 상태일 때 검출되는 배터리의 개로 전압임 -, 상기 배터리의 내부저항(R) 또는 비율 R/Rf - 여기서, 상기 Rf는 상기 배터리가 완전 충전 상태일 때 검출되는 배터리의 내부저항임 -, 입력변수로서 상기 개로 전압(Vo) 및 상기 내부저항(R)을 이용하고 현재 방전가능한 상기 배터리의 전류량에의 상관관계를 나타내는 소정 함수 f(Vo, R), 및 상기 배터리의 전류(I)를 포함하는 것을 특징으로 하는 뉴럴 네트워크 방식의 검출 장치. Voltage (V) of the battery or a ratio V / Vf - where, Vf is the battery voltage being a battery that is detected when the fully charged state -, the open-circuit of the battery voltage (Vo), or the ratio Vo / Vof - wherein the Vof is the battery is fully charged state, when the open-circuit of the battery detection voltage being - of the battery detected when the case, the Rf is the battery is fully charged state -, the internal resistance (R), or the ratio of the battery R / Rf internal resistance being - as an input variable using the open-circuit voltage (Vo) and the internal resistance (R) and a predetermined function f (Vo, R) representing the relationship between the amount of current of the battery available current discharge, and the battery detection apparatus according to the neural network system comprises a current (I).
  25. 제24항에 있어서, 25. The method of claim 24,
    상기 함수 f(Vo, R)는 입력변수가 적어도 Vo/R의 비율에 기초하는 함수인 것을 특징으로 하는 뉴럴 네트워크 방식의 검출 장치. The function f (Vo, R) is a detection device of the neural network system, characterized in that the input variable is a function that is based on a ratio of at least Vo / R.
  26. 제25항에 있어서, 26. The method of claim 25,
    상기 함수 f(Vo, R)는 입력변수가 적어도 Vo·Vo/R의 비율에 기초하는 함수인 것을 특징으로 하는 뉴럴 네트워크 방식의 검출 장치. The function f (Vo, R) is a detection device of the neural network system, characterized in that the input variable is a function that is based on a ratio of at least Vo · Vo / R.
  27. 제25항에 있어서, 26. The method of claim 25,
    상기 함수 f(Vo, R)는 입력변수가 적어도 (Vm - Vo)/R의 비율에 기초하는 함수이며, Vm은 상기 배터리의 소정 전압인 것을 특징으로 하는 뉴럴 네트워크 방식의 검출 장치. The function f (Vo, R) is the input variable and at least - a function that is based on a ratio of (Vm Vo) / R, Vm is a detection device of the neural network system, characterized in that the predetermined voltage of the battery.
  28. 제25항에 있어서, 26. The method of claim 25,
    상기 소정전압 Vm은 상기 배터리의 방전 정지 전압인 것을 특징으로 하는 뉴럴 네트워크 방식의 검출 장치. Wherein the predetermined voltage Vm is a detection device of the neural network system, characterized in that the discharge termination voltage of the battery.
  29. 제24항에 있어서, 25. The method of claim 24,
    상기 함수 f(Vo, R)는 f(Vop, Rp)/f(Vof, Rf)에 의하여 정의되는 함수이며, The function f (Vo, R) is a function defined by f (Vop, Rp) / f (Vof, Rf),
    상기 f(Vop, Rp)는 함수 f(Vo, R)의 현재값을 나타내며, 상기 f(Vof, Rf)는 상기 배터리가 완전 충전 상태일 때 얻어진 함수 f(Vop, Rp)의 값인 것을 특징으로 하는 뉴럴 네트워크 방식의 검출 장치. Wherein f (Vop, Rp) is characterized in that the value of the function f represents the current value (Vo, R), the f (Vof, Rf) is a function f (Vop, Rp) obtained when the battery is fully charged state, detection apparatus according to the neural network how.
  30. 제29항에 있어서, 30. The method of claim 29,
    상기 함수 f(Vo, R)는 (Vo·Vo/R)/(Vof·Vof/Rf)에 의하여 정의되는 함수이며, The function f (Vo, R) is a function defined by (Vo · Vo / R) / (Vof · Vof / Rf),
    상기 Vof 및 Rf는 각각 상기 배터리가 완전 충전 상태일 때 검출된 상기 배터리의 개로 전압 및 내부저항을 나타내는 것을 특징으로 하는 뉴럴 네트워크 방식의 검출 장치. Wherein Vof and Rf is a detection device of the neural network system, characterized in that represents the voltage and the internal resistance of each of the open-circuit of the battery detected when the battery is fully charged.
  31. 배터리 시스템에 구비되는 2차 배터리의 현재 충전 상태를 검출하기 위한 뉴럴 네트워크 방식의 장치로서, An apparatus in a neural network system for detecting a present charged state of a secondary battery provided in the battery system,
    상기 배터리의 현재 동작 상태를 나타내는 전기신호를 검출하기 위한 검출 수단; Detection means for detecting an electrical signal that represents the current operating status of the battery;
    상기 전기신호를 이용하여, 상기 배터리의 내부 상태를 평가하는데 필요한 입력 파라미터를 생성하는 수단 - 여기서, 상기 입력 파라미터는 상기 배터리의 충전 및 방전 특성에서의 성능 저하에 관하여 상기 배터리의 현재 충전 상태의 캘리브레이션을 반영함 - ; Using said electrical signal, means for generating the input parameters required to evaluate the internal state of the battery - wherein the input parameter is the calibration of the current state of charge of the battery with respect to degradation of the charge and discharge characteristics of the battery It should reflect; And
    상기 입력 파라미터를 뉴럴 네트워크 연산에 적용하여 상기 배터리의 현재 충전 상태를 나타내는 출력 파라미터를 연산하기 위한 연산 수단을 포함하고, By applying the input parameter to neural network calculation, and includes a calculating means for calculating the output parameter indicating the present charged state of the battery,
    상기 입력 파라미터는 상기 배터리의 현재 충전 상태를 반영하는 복수개의 물리 상태량으로 구성되며, The input parameter is composed of a plurality of physical state quantities reflecting the present charged state of the battery,
    상기 복수개의 물리 상태량은 상기 물리 상태량 중에서 지정되는 물리 상태량의 현재값과 완전 충전된 상기 배터리로부터의 소정 전력량의 방전에 응답하여 얻어진 상기 지정된 물리 상태량의 값 간의 비율을 포함하고, The plurality of physical state quantities are included in the current value and the ratio between the full obtained in response to a discharge of a predetermined amount of power from the battery charge of the specified physical state quantity value of a physical state quantity specified among the physical state quantity,
    상기 비율은 상기 입력 파라미터에의 캘리브레이션을 제공하는 것을 특징으로 하는 뉴럴 네트워크 방식의 검출 장치. The ratio detecting device according to the neural network system, characterized in that to provide a calibration of the input parameters.
  32. 제31항에 있어서, 32. The method of claim 31,
    상기 복수개의 물리 상태량은 The plurality of physical state quantities are
    상기 배터리의 평균전압(Va), 개로 전압(Vo), 내부저항(R) 및 최대방전전력(P) 중 하나 이상을 포함하는 것을 특징으로 하는 뉴럴 네트워크 방식의 검출 장치. Detection apparatus according to the neural network system, characterized in that it comprises one or more of the average voltage (Va), the open-circuit voltage (Vo), the internal resistance (R) and the maximum discharge electric power (P) of the battery.
  33. 제31항에 있어서, 32. The method of claim 31,
    상기 복수개의 물리 상태량은 The plurality of physical state quantities are
    상기 배터리의 평균전압(Va), 개로 전압(Vo), 내부저항(R) 및 최대방전전력(P)의 모두를 포함하는 것을 특징으로 하는 뉴럴 네트워크 방식의 검출 장치. Detection apparatus according to the neural network system, characterized in that it comprises all of the average voltage (Va), the open-circuit voltage (Vo), the internal resistance (R) and the maximum discharge electric power (P) of the battery.
  34. 제31항에 있어서, 32. The method of claim 31,
    상기 지정된 물리량은 상기 지정된 물리 상태량의 현재값 및 완전 충전된 상기 배터리로부터의 소정 전력량의 방전에 응답하여 얻어진 상기 지정된 물리 상태량의 값을 변수로 포함하는 선형함수에 의하여 주어지는 것을 특징으로 하는 뉴럴 네트워크 방식의 검출 장치. The specified physical quantity is the neural network system, characterized in that given by a linear function including a value of a physical state quantity specified above obtained in response to a discharge of a predetermined amount of power from the battery with the current value of the specified physical state quantity and the full charge as a variable detection apparatus.
  35. 제34항에 있어서, 35. The method of claim 34,
    상기 복수개의 물리 상태량은 The plurality of physical state quantities are
    상기 배터리의 평균전압(Va), 개로 전압(Vo), 내부저항(R) 및 최대방전전력(P) 중 하나 이상을 포함하는 것을 특징으로 하는 뉴럴 네트워크 방식의 검출 장치. Detection apparatus according to the neural network system, characterized in that it comprises one or more of the average voltage (Va), the open-circuit voltage (Vo), the internal resistance (R) and the maximum discharge electric power (P) of the battery.
  36. 제34항에 있어서, 35. The method of claim 34,
    상기 복수개의 물리 상태량은 The plurality of physical state quantities are
    상기 배터리의 평균전압(Va), 개로 전압개로 전압부저항(R) 및 최대방전전력(P)의 모두를 포함하는 것을 특징으로 하는 뉴럴 네트워크 방식의 검출 장치. Detection apparatus according to the neural network system, characterized in that it comprises all of the average voltage (Va), resistance (R) and open-circuit voltage unit circuit voltage maximum discharge electric power (P) of the battery.
  37. 제1항에 있어서, According to claim 1,
    상기 배터리 시스템은 차량에 장착되는 차량용 배터리 시스템인 것을 특징으로 하는 뉴럴 네트워크 방식의 검출 장치. The battery system detecting device of the neural network system, characterized in that the on-vehicle battery system mounted on a vehicle.
  38. 배터리 시스템에 구비되는 2차 배터리의 현재 충전 상태를 검출하기 위한 방법으로서, A method for detecting a present charged state of a secondary battery provided in the battery system,
    상기 배터리의 현재 동작 상태를 나타내는 전기신호를 검출하는 단계와, A step of detecting an electrical signal that represents the current operating state of the battery,
    상기 배터리의 현재 성능 저하 상태에 따른 상기 배터리의 현재 충전 상태의 캘리브레이션을 반영하며, 상기 배터리의 내부 상태를 평가하기 위하여 필요한 입력 파라미터를 상기 전기신호를 이용하여 생성하는 단계와, The method comprising a calibration reflects the current state of charge of the battery according to the present degraded state of the battery, the electrical signal generated by the input parameters required in order to evaluate the internal state of the battery,
    상기 입력 파라미터를 뉴럴 네트워크 연산에 적용하여 상기 배터리의 현재 충전 상태를 나타내는 출력 파라미터를 검출하는 단계를 The step of detecting an output parameter indicating the present charged state of the battery by applying the input parameter to neural network calculation
    포함하는 것을 특징으로 하는 충전 상태의 검출 방법. Method for detecting a charged state, characterized in that it comprises.
KR20060014362A 2005-02-14 2006-02-14 Method and apparatus for detecting charged state of secondary battery based on neural network calculation KR100880717B1 (en)

Priority Applications (12)

Application Number Priority Date Filing Date Title
JP2005036442A JP4587299B2 (en) 2005-02-14 2005-02-14 Internal state detecting method of the vehicle for a power storage device
JPJP-P-2005-00036442 2005-02-14
JPJP-P-2005-00036437 2005-02-14
JP2005036437A JP4609882B2 (en) 2005-02-14 2005-02-14 Internal state detecting method of the vehicle for a power storage device
JPJP-P-2005-00039614 2005-02-16
JP2005039614A JP4609883B2 (en) 2005-02-16 2005-02-16 Full charge capacity calculation device for a vehicle power storage device
JP2005122004A JP4582583B2 (en) 2005-04-20 2005-04-20 Residual capacity calculation method of the secondary battery
JPJP-P-2005-00122011 2005-04-20
JPJP-P-2005-00122004 2005-04-20
JP2005122011A JP2006300692A (en) 2005-04-20 2005-04-20 Remaining capacity operation system of secondary battery
JP2005151059A JP4582584B2 (en) 2005-05-24 2005-05-24 Residual capacity calculation method of the secondary battery
JPJP-P-2005-00151059 2005-05-24

Publications (2)

Publication Number Publication Date
KR20060091269A true KR20060091269A (en) 2006-08-18
KR100880717B1 true KR100880717B1 (en) 2009-02-02

Family

ID=36401703

Family Applications (1)

Application Number Title Priority Date Filing Date
KR20060014362A KR100880717B1 (en) 2005-02-14 2006-02-14 Method and apparatus for detecting charged state of secondary battery based on neural network calculation

Country Status (4)

Country Link
US (1) US7554296B2 (en)
EP (1) EP1691209B1 (en)
KR (1) KR100880717B1 (en)
DE (1) DE602006002896D1 (en)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101352841B1 (en) * 2012-01-03 2014-01-20 주식회사 엘지화학 Method and System for Calculating SOC of Battery
US10073145B2 (en) 2013-07-04 2018-09-11 Lg Chem, Ltd. Method and system for estimating state of charge of battery

Families Citing this family (48)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7429849B2 (en) * 2003-11-26 2008-09-30 Toyo System Co., Ltd. Method and apparatus for confirming the charge amount and degradation state of a battery, a storage medium, an information processing apparatus, and an electronic apparatus
KR100669434B1 (en) * 2005-04-07 2007-01-15 삼성에스디아이 주식회사 Method for controlling secondary battery module
KR100717789B1 (en) 2005-07-29 2007-05-11 삼성에스디아이 주식회사 Method for estimating soc of secondary battery module
KR100739054B1 (en) * 2005-10-20 2007-07-12 삼성에스디아이 주식회사 Battery management system and method for measuring cell voltage of the battery
KR100740097B1 (en) * 2005-10-20 2007-07-16 삼성에스디아이 주식회사 Method of estimating SOC for battery and battery management system using the same
KR100796668B1 (en) * 2006-09-26 2008-01-22 삼성에스디아이 주식회사 Battery management system and driving method thereof
FR2906892B1 (en) * 2006-10-10 2009-01-30 Peugeot Citroen Automobiles Sa evaluation system of the state of operation of a motor vehicle battery
KR100859688B1 (en) * 2006-10-12 2008-09-23 삼성에스디아이 주식회사 Battery management system and driving method thereof
KR100814884B1 (en) * 2006-10-16 2008-03-20 삼성에스디아이 주식회사 Battery management system and driving method thereof
KR100839381B1 (en) * 2006-11-01 2008-06-20 삼성에스디아이 주식회사 Battery management system and driving method thereof
GB2444511B (en) * 2006-12-06 2008-10-22 Iti Scotland Ltd Battery Management System
US7982432B2 (en) * 2006-12-22 2011-07-19 Gm Global Technology Operations, Llc Method and system for monitoring an electrical energy storage device
JP4811301B2 (en) * 2007-03-06 2011-11-09 トヨタ自動車株式会社 Secondary battery output control device, and the vehicle
JP2008232758A (en) * 2007-03-19 2008-10-02 Denso Corp Detection device for internal state of secondary cell and neural network type estimation device for quantity of state
KR100882913B1 (en) * 2007-03-19 2009-02-10 삼성에스디아이 주식회사 Battery Pack
KR100911316B1 (en) 2007-08-23 2009-08-11 주식회사 엘지화학 System and method for estimating of batteries's long term characteristics
US7830119B2 (en) * 2007-08-29 2010-11-09 Gm Global Technology Operations, Inc. Adaptive battery estimator and method
KR100936892B1 (en) * 2007-09-13 2010-01-14 주식회사 엘지화학 System and method for estimating of batteries´s long term characteristics
DE102008058292B4 (en) * 2007-11-21 2018-04-05 Denso Corporation Method and apparatus for detection of the internal state of an electric vehicle secondary battery
US8283891B2 (en) * 2008-03-21 2012-10-09 Rochester Institute Of Technology Power source health assessment methods and systems thereof
US8972213B2 (en) * 2008-06-27 2015-03-03 GM Global Technology Operations LLC Pattern recognition approach to battery diagnosis and prognosis
JP5011230B2 (en) * 2008-08-04 2012-08-29 株式会社東芝 Control device and a control method for a secondary battery
CN102246029B (en) 2008-11-17 2014-06-25 奥的斯电梯公司 Battery state-of-charge calibration
US8791669B2 (en) 2010-06-24 2014-07-29 Qnovo Inc. Method and circuitry to calculate the state of charge of a battery/cell
US8970178B2 (en) * 2010-06-24 2015-03-03 Qnovo Inc. Method and circuitry to calculate the state of charge of a battery/cell
US8450978B2 (en) * 2010-08-27 2013-05-28 Texas Instruments Incorporated Monitoring a rechargeable battery with multiple parameter update rates
JP5863658B2 (en) * 2010-09-24 2016-02-16 古河電気工業株式会社 Charge acceptance limit determination device and the charge acceptance limit determination method
US20120101753A1 (en) * 2010-10-20 2012-04-26 Gm Global Technology Operations, Inc. Adaptive slowly-varying current detection
JP5619806B2 (en) * 2012-03-21 2014-11-05 古河電気工業株式会社 Battery state detecting device and a secondary battery state detection method
CN102680903B (en) * 2012-05-11 2015-01-28 齐鲁工业大学 Portable storage battery state detection system and method
US9018913B2 (en) 2012-05-18 2015-04-28 Caterpillar Inc. System for determining battery impedance
JP5733275B2 (en) * 2012-07-13 2015-06-10 トヨタ自動車株式会社 Reuse determination method of the control device and the battery pack of the battery
US9086462B2 (en) * 2012-08-15 2015-07-21 GM Global Technology Operations LLC Systems and methods for battery parameter estimation
US9190862B2 (en) * 2012-08-23 2015-11-17 Qualcomm Incorporated Charging current calibration
US9142994B2 (en) 2012-09-25 2015-09-22 Qnovo, Inc. Method and circuitry to adaptively charge a battery/cell
FR2999721A1 (en) 2012-12-18 2014-06-20 Batscap Sa Method and device for characterizing an energy storage module by capacitive effect.
US9077181B2 (en) * 2013-01-11 2015-07-07 GM Global Technology Operations LLC Battery section balancing methods and systems
CN103091642B (en) * 2013-01-22 2014-12-10 北京交通大学 Lithium battery capacity rapid estimation method
US9770997B2 (en) 2013-06-11 2017-09-26 Ford Global Technologies, Llc Detection of imbalance across multiple battery cells measured by the same voltage sensor
KR20150029204A (en) * 2013-09-09 2015-03-18 삼성에스디아이 주식회사 Battery pack, apparatus including battery pack, and method of managing battery pack
JP6160473B2 (en) * 2013-12-20 2017-07-12 トヨタ自動車株式会社 Power storage system
JPWO2015115044A1 (en) * 2014-01-29 2017-03-23 パナソニックIpマネジメント株式会社 Battery state estimating unit, and a power supply device
US20150318895A1 (en) * 2014-05-05 2015-11-05 Shangri-la Management S.L. Wireless Power Transfer Via Data Signal
KR20160010132A (en) * 2014-07-18 2016-01-27 삼성전자주식회사 Method and apparatus for estimating state of battery
KR101595956B1 (en) * 2014-11-12 2016-02-22 충북대학교 산학협력단 Apparatus and method for measuring state of charge(soc) for lithium ion battery
KR20160090140A (en) * 2015-01-21 2016-07-29 삼성전자주식회사 Method and apparatus for estimating state of battery
CN106033113A (en) * 2015-03-19 2016-10-19 国家电网公司 Health state evaluation method for energy-storage battery pack
KR101835373B1 (en) 2016-08-30 2018-03-08 조선대학교산학협력단 Apparatus for estimating imbalance of battery pack and method thereof

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0146932A2 (en) * 1983-12-27 1985-07-03 Nihon Shuno System Kabushiki Kaisha A prefabricated furniture
JPH09243716A (en) * 1996-03-08 1997-09-19 Sanken Electric Co Ltd Method of judging state of secondary battery
JP2003249271A (en) 2002-02-22 2003-09-05 Akuson Data Machine Kk Residual capacity deciding method of battery and its device

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH03183328A (en) 1989-12-11 1991-08-09 Canon Inc Battery residue operator
EP0432689B1 (en) 1989-12-11 1997-03-05 Canon Kabushiki Kaisha Remaining-amount-of-battery detecting device
US5539318A (en) 1992-07-16 1996-07-23 Toyota Jidosha Kabushiki Kaisha Residual capacity meter for electric car battery
JP3006298B2 (en) 1992-08-11 2000-02-07 トヨタ自動車株式会社 The remaining battery capacity meter
JP3126591B2 (en) 1994-07-15 2001-01-22 株式会社東芝 The remaining capacity estimation method of the storage battery
US5606242A (en) * 1994-10-04 1997-02-25 Duracell, Inc. Smart battery algorithm for reporting battery parameters to an external device
FR2740554A1 (en) * 1995-10-31 1997-04-30 Philips Electronique Lab control system of the discharge phase of the charge-discharge cycles of a rechargeable battery, and b device having a smart battery
FR2740555A1 (en) * 1995-10-31 1997-04-30 Philips Electronique Lab control system of charge-discharge cycles of a rechargeable battery, and b device having a smart battery
US6064180A (en) * 1996-10-29 2000-05-16 General Motors Corporation Method and apparatus for determining battery state-of-charge using neural network architecture
JP3641367B2 (en) 1998-08-14 2005-04-20 日本電信電話株式会社 Alkaline storage battery capacity and remaining energy level estimation method and capacity estimation device
JP4110639B2 (en) 1998-11-04 2008-07-02 株式会社デンソー Battery remaining capacity calculation unit
EP1923711B8 (en) 1999-09-09 2011-01-12 Toyota Jidosha Kabushiki Kaisha Battery capacity measuring and remaining capacity calculating system
JP3475894B2 (en) 1999-09-13 2003-12-10 トヨタ自動車株式会社 Full charge determining unit and the remaining capacity calculating device for a secondary battery for vehicles
JP3935099B2 (en) * 2003-04-15 2007-06-20 株式会社デンソー Internal state detecting system for a power storage device vehicle
EP1702219B1 (en) * 2003-12-18 2012-05-02 LG Chemical Co., Ltd. Apparatus and method for estimating state of charge of battery using neural network

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0146932A2 (en) * 1983-12-27 1985-07-03 Nihon Shuno System Kabushiki Kaisha A prefabricated furniture
JPH09243716A (en) * 1996-03-08 1997-09-19 Sanken Electric Co Ltd Method of judging state of secondary battery
JP2003249271A (en) 2002-02-22 2003-09-05 Akuson Data Machine Kk Residual capacity deciding method of battery and its device

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101352841B1 (en) * 2012-01-03 2014-01-20 주식회사 엘지화학 Method and System for Calculating SOC of Battery
US10073145B2 (en) 2013-07-04 2018-09-11 Lg Chem, Ltd. Method and system for estimating state of charge of battery

Also Published As

Publication number Publication date Type
DE602006002896D1 (en) 2008-11-13 grant
US7554296B2 (en) 2009-06-30 grant
EP1691209B1 (en) 2008-10-01 grant
US20060181245A1 (en) 2006-08-17 application
EP1691209A1 (en) 2006-08-16 application
KR20060091269A (en) 2006-08-18 application

Similar Documents

Publication Publication Date Title
Lee et al. Li-ion battery SOC estimation method based on the reduced order extended Kalman filtering
He et al. Online model-based estimation of state-of-charge and open-circuit voltage of lithium-ion batteries in electric vehicles
US7003410B2 (en) Electronic battery tester with relative test output
US7012434B2 (en) Method for determining the amount of charge which can be drawn from a storage battery and monitoring device
US6313607B1 (en) Method and apparatus for evaluating stored charge in an electrochemical cell or battery
US20050088145A1 (en) Battery charge indicator such as for an implantable medical device
US5675258A (en) Apparatus for detecting battery pack deterioration during discharge mode and method for inhibiting deterioration detection of a significantly drained battery pack during charging mode
Lee et al. State-of-charge and capacity estimation of lithium-ion battery using a new open-circuit voltage versus state-of-charge
US7545146B2 (en) Apparatus and method for predicting battery capacity and fitness for service from a battery dynamic parameter and a recovery voltage differential
US7626394B2 (en) Method and apparatus for determining deterioration of secondary battery, and power supply system therewith
US20020036504A1 (en) Integrated conductance and load test based electronic battery tester
US6534954B1 (en) Method and apparatus for a battery state of charge estimator
Anton et al. Support vector machines used to estimate the battery state of charge
US6448743B2 (en) Rechargeable battery pack
US6285163B1 (en) Means for estimating charged state of battery and method for estimating degraded state of battery
US6362598B2 (en) Method for determining the state of charge and loading capacity of an electrical storage battery
US4876513A (en) Dynamic state-of-charge indicator for a battery and method thereof
US20100121591A1 (en) Method and apparatus that detects state of charge (soc) of a battery
US7072871B1 (en) Fuzzy logic method and apparatus for battery state of health determination
US20080048616A1 (en) System and method for calculating battery state of charge
US6388450B2 (en) Method for determining the state of charge of storage batteries
US7197487B2 (en) Apparatus and method for estimating battery state of charge
US6930485B2 (en) Electronic battery tester with battery failure temperature determination
US20040207367A1 (en) Internal condition detection system for a charge accumulating device
US20060238168A1 (en) Method and device for monitoring deterioration of battery

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
FPAY Annual fee payment

Payment date: 20130107

Year of fee payment: 5

FPAY Annual fee payment

Payment date: 20140110

Year of fee payment: 6

FPAY Annual fee payment

Payment date: 20150109

Year of fee payment: 7

FPAY Annual fee payment

Payment date: 20160108

Year of fee payment: 8

FPAY Annual fee payment

Payment date: 20170113

Year of fee payment: 9

FPAY Annual fee payment

Payment date: 20180112

Year of fee payment: 10